DESEMPENHO DA TÉCNICA DEEP LEARNING NA ANÁLISE E CATEGORIZAÇÃO DE IMAGENS DE DEFEITO DE MADEIRA

A inteligência artificial tem tido grandes avanços em seu campo de pesquisa, contribuindo muito em várias áreas, como a análise e categorização de imagens digitais com o emprego de aprendizado de máquina. Existem várias técnicas específicas para o reconhecimento de imagens e sua categorização, uma dessas técnicas, que utiliza redes neurais artificiais, envolve o estudo específico, a extração das características por meio da análise de dados da imagem do objeto que está sendo analisado e a especificação de qual será o impacto dessas características no modelo neural para cada uma das categorias, o que exige a imersão do pesquisador em uma área ou campo de pesquisa que não é de seu domínio. A Deep Learning, utilizando-se das redes neurais convolucionais artificiais tem a capacidade de aprender e extrair as características durante o treinamento, sem a especificação dessas características no modelo, sendo que, geralmente, apresentam resultados melhores do que aqueles observados por modelos de redes neurais que tiveram as características observadas e programadas por humanos. O objetivo desse trabalho é aplicar a Deep Learning com auxílio da linguagem Python e duas bibliotecas chamadas Keras e NumPy, na categorização de um conjunto de imagens de tábuas de madeira, avaliando seu desempenho. Foram elaborados e avaliados alguns modelos de rede neural convolucional aplicados nesse processo, obtendo resultados promissores, sendo que o melhor deles apresentou erro de categorização na ordem de cinco por cento.