GranSeg : uma abordagem híbrida para segmentação de objetos sobrepostos em problemas de granulometria visual
Autor: Nelson de De Faria Traversi (Currículo Lattes)
Resumo
A segmentação de objetos homogêneos com alto nível de sobreposição e ausência de fundo permanece um desafio significativo no processamento digital de imagens. Com o intuito de investigar soluções para esse problema, este trabalho apresenta uma revisão abrangente dos métodos clássicos de segmentação e das abordagens baseadas em aprendizado de máquina, avaliando suas efetividades em datasets sintéticos e em datasets anotados manualmente. Inicialmente, devido à dificuldade de se obter um conjunto de dados reais devidamente rotulado, desenvolveu-se um simulador de imagens de superfície para gerar um dataset sintético com anotações detalhadas. Esse conjunto de dados possibilitou testes iniciais dos métodos determinísticos na segmentação de granulados, contemplando desde configurações esparsas até cenários com sobreposição total. Observou-se que métodos clássicos (como limiarização e segmentação por contornos) não se mostraram adequados para imagens sem fundo, sobretudo em função da variação de tamanho, formato e coloração homogênea dos grãos, dificultando a escolha de um threshold ideal. Em seguida, para ampliar a robustez dos experimentos, foram criados dois datasets anotados manualmente: um em ambiente laboratorial controlado e outro em ambiente fabril relevante. O objetivo foi comparar o desempenho dos algoritmos em condições mais próximas da aplicação prática, além de avaliar os desafios impostos por ruídos de iluminação, variação de foco e movimentação dos grãos. Considerando a escassez de dados anotados em ambiente real, propôs-se uma metodologia de combinação entre o dataset virtual, o dataset real controlado e o dataset real de ambiente fabril. Essa estratégia permitiu aproveitar o maior número de imagens disponíveis nos dois primeiros datasets para pré-treinamento do modelo e, posteriormente, realizar um fine tuning direcionado pelas imagens capturadas no ambiente fabril. Além disso, foi analisado o impacto de produzir a segmentação em formato binário ou em formato RGB, visando compreender a efetividade de cada abordagem no processo de convergência do modelo. Na etapa seguinte, realizou-se um estudo comparativo de diferentes arquiteturas de redes neurais convolucionais (CNNs) para a substituição do encoder na U-Net, buscando identificar a melhor configuração para lidar com a segmentação de grãos em cenários desafiadores. Os modelos foram avaliados quanto à precisão, sensibilidade e especificidade na detecção dos contornos e na contagem dos objetos segmentados. Por fim, com base nos resultados obtidos no comparativo de diferentes arquiteturas de redes neurais convolucionais (CNNs) e na análise dos métodos clássicos de segmentação, propôs-se um novo modelo focado na segmentação de objetos sobrepostos em problemas de granulometria visual. Esse modelo faz uso de uma abordagem híbrida, combinando técnicas de segmentação determinística com a imagem original como entradas, o que aumenta a robustez e a precisão em cenários de alta sobreposição. Para validar a proposta, o modelo foi comparado a metodologias consideradas estado da arte, demonstrando eficácia tanto em relação ao número de grãos detectados quanto à consistência das segmentações. Os resultados promissores apontam para a viabilidade de aplicação dessa abordagem em processos industriais, contribuindo para o aprimoramento do controle de qualidade de produtos granulares.