Espectroscopia e soluções de visão mecânica
A visão artificial baseada em deep learning (redes neurais) imita, até certo ponto, a forma como o cérebro humano processa a informação visual, pelo que, tal como acontece com o cérebro, é essencial que exista primeiro um processo de aprendizagem. Para tal, deve estar disponível um conjunto de imagens suficientemente representativas dos casos a detetar, que serve para “treinar” a rede neural, ou seja, a rede deve ser capaz de “interpretar” ou “reconhecer” as características de interesse. Uma vez validada a rede construída, esta é utilizada para inspecionar a cada nova imagem, sendo a saída da rede uma etiqueta que identifica essa imagem como pertencente a uma das classes pré-definidas. Na prática, uma rede neural é um conjunto de valores numéricos, recolhidos num ficheiro digital, específicos para uma tarefa determinada, de modo a que um software dedicado “aplique” a rede a cada imagem com a finalidade de obter a etiqueta correspondente à classe a que a imagem parece pertencer.
Os algoritmos de visão artificial tradicionais são determinísticos. Isto significa que, através de funções matemáticas, sejam genéricas ou específicas, são analisadas cada imagem em função das características de interesse. Esta abordagem limita a sua aplicação a casos muito concretos, onde as características são muito marcadas ou evidentes em relação ao resto dos elementos de imagem e exigem sempre a intervenção de peritos humanos. No mundo real as circunstâncias favoráveis à utilização de algoritmos determinísticos não são muito frequentes. Pelo contrário, há muitos elementos interferentes que afetam grandemente a exatidão do resultado. A deep learning, por outro lado, não parte de pressupostos mais ou menos realistas mas, na fase de aprendizagem, adapta-se automaticamente às circunstâncias, ou seja, é menos sensível a variações imprevistas e isso pode conseguir-se sem a necessidade de pressupostos teóricos ou do trabalho de um perito.
A aplicação mais frequente é a deteção de defeitos morfológicos a fim de ativar um sistema de rejeição que descarta os produtos etiquetados pela rede neural como defeituosos. Por exemplo, deteção de corpos estranhos ou unidades defeituosas em alimentos, diferenças cromáticas intoleráveis em partes, têxteis ou produtos alimentares ou a quantificação objetiva de defeitos ou falhas com a finalidade de calcular um preço justo para os vários graus de qualidade de um produto, por exemplo, defeitos em grãos para venda e comercialização.
