• Identificação da Presença de Aneis em Imagens de Blocos de Motor

  Autor: João Victor Fabri e-mail: joaovictor.fabri@gmail.com

REQUISITOS/BIBLIOTECAS NECESSÁRIAS:

Python 3
Tensorflow 2.x e submódulos necessários
Keras 2.x
Numpy 1.17
MatPlotLib 3.x
H5Py 2.8
*Módulosem versões anteriores podem funcionar.

ORGANIZAÇÃO SUGERIDA PARA AS PASTAS COM AS IMAGENS:

root:
|-training.py
|-evaluation.py
|-saved_model.h5 ** 
|-test:
	|-sem_anel:
		|-img.bmp
		|...
	|-com_anel:
		|-img.bmp
		|...
|-train:
	|-sem_anel:
		|-img.bmp
		|...
	|-com_anel:
		|-img.bmp
		|...
|-predict:
	|-imagem_sem_anel.bmp***
**arquivo criado após a execução de "training.py"
***opcional

CORTA CAMINHO:

>>python3 training.py train 
--- aguarde resultado do treinamento

>>python3 evaluation.py 
--- executa avaliação do modelo sem classificar qualquer imagem. 
OU
>>python3 evaluation.py predict/imagem_sem_anel.bmp
--- executa avaliação do modelo e classifica a imagem "imagem_sem_anel" entre Sem ou Com anel.
OU
>>python3 evaluation.py predict/imagem_sem_anel.bmp --notest
--- executa a classificação da imagem "imagem_sem_anel" sem realizar a validação do modelo.

COMO EXECUTAR:

• Organize os dados de treinamento e validação em subpastas de acordo com sua classificação ("Sem anel" ou "Com anel").

• Treinamento da rede: Execute o script "training.py" a partir de uma pasta superior aos dados de treinamento a partir do comando:

  python3 training.py arg1

    onde arg1 é o caminho relativo para a pasta que contem as subpastas com as imagens de treinamento. 
    Caso arg1 estiver em branco, o script utilizará as imagens das pastas que estiverem no mesmo diretório de "training.py"
  

  Exemplo:

  python3 training.py train

    O algoritmo buscará as imagens das pastas "sem_anel" e "com_anel" dentro da pasta "train", na mesma pasta do 
    script.
    Caso o diretório selecionado tenha mais do que 2 pastas, o programa acusará erro de compilação.
    Caso seja bem sucedido, iniciará o processo de treinamento, identificando o número de épocas, os passos de 
    treinamento concluídos, o tempo estimado por época e por passo, o erro de treinamento e a acurácia da rede, 
    como no exemplo a seguir:
  

  Epoch 14/50 100/100 [==============================] - XXs XXXXms/step - loss: X.XXXX - accuracy: X.XXXX

    Após a finalização da sessão de treinamento, será impresso no terminal o tempo total de treinamento e uma 
    mensagem de finalização do processo:
  

  Elapsed time: XXXX.XXXXXX s done! -- run evaluation.py to evaluate the model or classify new images

    Note que uma sessão completa de treinamento não dura necessariamente 50 épocas, tendo em vista que o modelo 
    identifica estagnação no aprendizado e finaliza a sessão de treinamento. 
    Ao fim do treinamento, um arquivo é gerado ("saved_model.h5"), que será utilizado pelo script de avaliação 
    do modelo.
  

• Avaliação da rede:

    Execute o script "evaluation.py" a partir de uma pasta superior aos dados de avaliação a partir do comando:
  

  python3 evaluation.py arg1 arg2

    onde arg1 pode conter o caminho relativo para uma imagem em ".bmp" a ser classificada. 
    e onde arg2 pode ou não conter a flag "--notest", que faz com que não seja executado o passo de validação, 
    permitindo a classificação mais rápida de imagens pelo usuário.
    
    Para que a validação possa ser executada corretamente, as imagens de validação devem ser colocadas em uma 
    pasta chamada test no mesmo diretório do script "evaluation.py"
  

  Exemplo:

  python3 evaluation.py predict/imagem_sem_anel.bmp

    Executa a validação do modelo e a classificação da imagem "imagem_sem_anel.bmp", dentro da pasta predict.
    Isso resulta na impressão de informações sobre a validação do modelo, com o número de images e classes 
    utilizadas na validação, as métricas de erro (Sparse Categorical Crossentropy e acurácia) e o tempo do 
    processamento da validação, como mostrado a seguir:
  

  Found XX images belonging to 2 classes. SCC (Loss): X.XXXXXXXXXE+XX, Accuracy: X.XXX, Elapsed Time: X.XXXXXXXXXX s Sem anel

    Caso a validação não seja executada, apenas a primeira e terceira linha do exemplo serão impressas na tela.
    É gerada uma matriz de imagens com a identificação das características (features) da imagem classificada, 
    para melhor visualização do funcionamento da rede. Essa imagem é salva com o nome de 
    "features_nomedoarquivo_bmp.pdf" na mesma pasta do script de avaliação.