Ap ´os a etapa de extrac¸ ˜ao de caracter´ısticas, segue a etapa de identificac¸ ˜ao e reconhecimento dessas caracter´ısticas seguida de sua classificac¸ ˜ao. Neste caso, trata-se da classificac¸ ˜ao de uma determinada regi ˜ao da imagem como sendo um fruto ou n ˜ao. Para essa tarefa, h ´a relatos da utilizac¸ ˜ao de m ´etodos de aprendizado de m ´aquina como as redes neurais artificiais na estimativa do tamanho de frutos de laranja (REGUNATHAN; LEE, 2005), por exemplo.
2.5.1 O Aprendizado de M ´aquina e a Teoria de Aprendizado Estat´ıstico
O Aprendizado de M ´aquina (AM) consiste em um princ´ıpio de infer ˆencia no qual se obt ´em conclus ˜oes gen ´ericas a partir de um conjunto de exemplos. Esse aprendi- zado pode ser de dois tipos: supervisionado ou n ˜ao-supervisionado. No aprendizado supervisionado h ´a um treinador, respons ´avel pelo ajuste do algoritmo para a execuc¸ ˜ao da tarefa, com exemplos na forma de entrada e sa´ıda desejada (exemplos positivos e negativos) (HAYKIN, 2004). J ´a o aprendizado n ˜ao supervisionado dispensa o treina- dor, e as sa´ıdas do algoritmo s ˜ao avaliadas segundo um padr ˜ao de qualidade. Este tipo de aprendizado ´e aplicado com o objetivo de se encontrar padr ˜oes e tend ˆencias n ˜ao definidos que auxiliem na compreens ˜ao de dados e n ˜ao ser ˜ao abordados neste trabalho.
Nesse caso, portanto, h ´a um conjunto de exemplos rotulados na forma de
(x
i, y
i)
onde cadax
irepresenta um exemplo e caday
irepresenta sua classificac¸ ˜ao.Esse conjunto dever ´a ser apresentado ao algoritmo, tamb ´em chamado preditor ou classificador para o seu treinamento e posterior classificac¸ ˜ao de novos dados de entrada. Quando esse procedimento assume a sa´ıda de valores cont´ınuos, h ´a um problema de regress ˜ao Quando assume a sa´ıda de inteiros, h ´a um problema de classificac¸ ˜ao e quando h ´a somente duas sa´ıdas poss´ıveis (positivo ou negativo, por exemplo), h ´a um problema de classificac¸ ˜ao bin ´aria (LORENA; CARVALHO, 2007).
f
um preditor ou classificador eF
o conjunto de todos os poss´ıveis preditores que um algoritmo de aprendizado de m ´aquina pode gerar. Esse algoritmo, durante seu processo de treinamento, faz uso de um conjunto de exemplos composto den
pares(x
i, y
i)
, a fim de se estabelecer um preditorf ∈ Fˆ
. A Figura 2 (SCH ¨oLKOPF; SMOLA,2002) mostra tr ˆes poss´ıveis preditores
f
para a classificac¸ ˜ao dos padr ˜oes em “c´ırculos” ou “tri ˆangulos”. O primeiro, dito super-ajustado (overfitted), classifica corretamente os padr ˜oes do conjunto de treinamento, por ´em, por ser muito rigoroso e espec´ıfico, pode gerar erros quando dados diferentes o s ˜ao apresentados. O ´ultimo, dito sub-ajustado (underfitted), ´e pass´ıvel de cometer muitos erros, pois n ˜ao h ´a precis ˜ao na separac¸ ˜ao de exemplos bem pr ´oximos. O melhor classificador nesse caso seria o intermedi ´ario, que apresenta um erro toler ´avel e uma boa separac¸ ˜ao de elementos pr ´oximos `a fronteira de separac¸ ˜ao.As redes neurais artificiais, usualmente chamadas somente de “redes neurais”, s ˜ao um m ´etodo de aprendizagem e modelagem computacional que tenta imitar as func¸ ˜oes do c ´erebro humano. Sua aplicac¸ ˜ao ´e extremamente ampla em ´areas com classificac¸ ˜ao, reconhecimento de padr ˜oes (como reconhecimento de faces e obje- tos, por exemplo), tomada de decis ˜ao, processamento de dados e agrupamento de informac¸ ˜oes. Regunathan e Lee (2005) relataram que a aplicac¸ ˜ao de tal t ´ecnica de reconhecimento e classificac¸ ˜ao nas matrizes caracter´ısticas de Gabor apresentaram
(a) Super-ajustado (b) Bom ajuste (c) Sub-ajustado Figura 2. Tr ˆes poss´ıveis preditores para a separac¸ ˜ao entre “c´ırculos” e “tri ˆangulos”
um resultado de at ´e 80% de identificac¸ ˜ao correta de frutos de laranja, nas imagens utilizadas para a validac¸ ˜ao do m ´etodo.
Uma outra t ´ecnica muito importante para o reconhecimento de padr ˜oes s ˜ao as m ´aquinas de vetores de suporte (ou SVM, do ingl ˆes Support Vector Machines). Assim como as redes neurais, as SVMs necessitam de uma etapa de aprendizagem e, ap ´os a calibrac¸ ˜ao, atuam como um classificador de padr ˜oes. Sua utilizac¸ ˜ao tamb ´em ´e bastante ampla, com resultados positivos em diversas aplicac¸ ˜oes, como o reconhecimento e classificac¸ ˜ao de mac¸ ˜as, combinada com a extrac¸ ˜ao de caracter´ısticas utilizando a limiarizac¸ ˜ao de Otsu (OTSU, 1975), por exemplo (MIZUSHIMA; LU, 2013). Os autores verificaram erros na segmentac¸ ˜ao variando de 3 a 25% usando uma SVM linear e erros menores que 2% utilizando um m ´etodo ajust ´avel para o classificador.
2.5.2 M ´aquinas de Vetores de Suporte (SVMs)
As M ´aquinas de Vetores de Suporte s ˜ao classificadores de margem m ´axima. Ao inv ´es de atribuir modelos distribuic¸ ˜oes de probabilidade aos vetores de treinamento, as SVMs tentam separar as diferentes classes buscando diretamente as fronteiras adequadas entre elas. Para esse prop ´osito, elas constroem hiperplanos na regi ˜ao de separac¸ ˜ao entre tais classes (KEUCHEL et al., 2003).
Esse m ´etodo de reconhecimento tem larga aplicac¸ ˜ao no processamento de imagens na ´area da agricultura. Sua aplicac¸ ˜ao ´e relatada como melhor m ´etodo de reconhecimento e classificac¸ ˜ao de ´areas de dendezeiro (Elaeis guineensis) atrav ´es de imagens de sat ´elite, tendo destaque por apresentar resultados positivos de desem- penho na classificac¸ ˜ao mesmo com um conjunto de treinamento pequeno (LI et al., 2015). Tamb ´em ´e reportado como um dos melhores m ´etodos no reconhecimento e classificac¸ ˜ao de diferentes variedades de sementes de colza (Brassica napus) (KUR- TULMUS; ¨UNAL, 2015), e atingiu 100% de classificac¸ ˜oes corretas quanto `a qualidade de mangas (Mangifera indica), superando todos os outros m ´etodos de classificac¸ ˜ao testados (SA’AD et al., 2015). Al ´em do mais, seu uso estende-se `a ´area da flori-
cultura, apresentando bons resultados na detecc¸ ˜ao de folhas de roseiras (Rosa sp.) doentes (NAGASAI; RANI, 2015).