Lorival Smolski Chapuis

Posts Tagged ‘Ferramentas’

Buenas,

Esta semana aconteceu um evento na Sociesc que foi a semana acadêmica de computação, com vários mini-cursos e palestras da área. Ano passado participei da semana acadêmica da Sociesc com uma palestra sobre Domain Driven Design e um Coding Dojo em c#, este ano participei com um mini-curso de realidade aumentada.

O objetivo do mini-curso era fazer uma introdução à realidade aumentada, situando o pessoal no que já existe, nas novas tendências, mercado e as tecnologias envolvidas. A parte prática dividi em duas etapas:

1. Desenvolvimento de um aplicativo para Android utilizando realidade aumentada, integrando com a API de localização interativa Wikitude;
2. Modelagem de objetos 3D no SketchUp e visualização do mesmo com realidade aumentada utilizando uma webcam;

Toda parte prática foi efetuada por mim em um computador cuja imagem estava sendo projetada em um telão, para o pessoal ir acompanhando e fazendo em seus computadores. Mas para facilitar que ninguém se perdesse, durante o mini-curso, ou mesmo para fazer em casa eu criei um tutorial com as atividades. O tutorial e a apresentação estão a seguir:

Outro ponto importante para quem quiser fazer em casa é ter os aplicativos e saber de onde baixar.

Desenvolvimento para Android:

• Java SDK (JDK): http://www.oracle.com/technetwork/java/javase/downloads/index.html
• Motodev Studio for Android: http://developer.motorola.com/docstools/motodevstudio/download/
• Android SDK: http://developer.android.com/sdk/index.html

O Motodev é o eclipse com todos os plugins, se assim podemos dizer, prontos para desenvolvimento para Android. Basta instalar o Motodev, configurar o caminho do Android no primeiro acesso e já está pronto para uso, simples e fácil. Importante: É necessário executar o SDK Manager do Android e instalar a versão do sistema operacional que irá trabalhar, a sugestão deste tutorial foi a versão 2.1, mas poderia ser utilizada uma mais recente.
Todo ambiente pode ser feito no Windows, Linux ou Mac e não precisa pagar nada por nenhum dos aplicativos acima citados.
Embora o Motodev seja da Motorola, ele pode ser utilizado tranquilamente para qualquer dispositivo Android.

Modelagem 3D com SketchUp:

• SketchUp 7 ou 8, não precisa ter a versão PRO: http://sketchup.google.com/
• Ar-media plugin for SketchUp: http://www.inglobetechnologies.com/en/new_products/arplugin_su/info.php

O plugin da Ar-media é pago, porém a versão trial pode ser utilizada para conhecer os recursos disponíveis. O custo dela atualmente é de trezentos euros e só funciona em Windows e Mac.

Para quem desejar exportar do SketchUp para um dispositivo móvel, é necessário exportar para extensão OBJ. A versão PRO do SketchUp já efetua exportação, mas quem tem a versão grátis, pode utilizar o plugin ObjExporter para isto. Basta descompactá-lo no diretório plugins do SketchUp para que apareça na brra de menu. Depois de exportado basta salvar no dispositivo móvel e visualizá-lo com um aplicativo específico para leitura de OBJ e visualização no formato realidade aumentada. Uma sugestão é o projeto Andar para Android, ele pode ser instalado direto pelo market. O aplicativo Andar Model Viewer permite selecionar um arquivo .obj diretamente do cartão de memória para visualização com realidade aumentada utilizando o marcador do projeto Andar.

Existiram vários vídeos durante a apresentação, cujos links seguem dentro da própria apresentação, porém para facilitar coloco abaixo para não precisar digitar no navegador.

• Introdução: http://www.youtube.com/watch?v=JDN_ZN0XEow
• Exemplos de RA: http://www.youtube.com/watch?v=P9KPJlA5yds e http://www.youtube.com/watch?v=hXtq1qBMLIw
• Exemplos de Wikitude: http://www.youtube.com/watch?v=g-0cuqeUvCQ e http://www.youtube.com/watch?v=hAcAHgUge-8&feature=related
• Encerramento: http://www.youtube.com/watch?v=gHNBS5NJxHk
• Outros: http://www.youtube.com/watch?v=yCEHIkJanm4

É isso aí pessoal! Vou fazer um próximo post com os bastidores e mais detalhes do mini-curso.

Abrs a todos,

Lorival

“Não há fatos eternos, como não há verdades absolutas”. Friedrich Nietzsche

Olá a todos,

Depois de um bom tempo sem alterar nada no Blog eu voltei para tentar escrever um pouco e compartilhar experiências.

Desta vez estou postando um artigo publicado ano passado no  IADIS Multi Conference nn Computer Science and Information System 2010 que aconteceu em Freiburg, Alemanha.

O objetivo do artigo é apresentar uma solução, usando redes neurais artificiais (uma das áreas da inteligência computacional), que consegue prever com 24 horas de antecedência quando ocorrerá cheia no rio Itajaí Açu. E foi feito junto com o Professor Paulo Bousfield.

Antes de explicar um pouco sobre o projeto gostaria de adiantar que a solução consegue prever com 92% de acerto, o que é um valor bem alto para um sistema “inteligênte”.

O Rio Itajaí Açu possuí vários afluentes, sendo que alguns deles possuem estações onde pessoas especializadas medem diariamente o nível de chuva em milímitros. Estas mesmas pessoas medem diariamente o nível do rio lá no final, para saber sua profundidade e quanto “subiu” de um dia para o outro.

As aferições são feitas sempre pela manhã e ao final da tarde, então todo dia sabemos:

• Quanto choveu em milímitros nos afluentes do rio;
• Profundidade do rio;

Meu objetivo era criar uma rede neural que pudesse generalizar estas informações da seguinte forma:

• Entrada: Aferições do dia de hoje em relação a quantidade de chuva;
• Saída: Profundidade do rio 24 horas depois;

Para isto eu tive várias dificuldades. Abaixo segue os procedimentos, resumidos, que eu fiz para chegar neste resultado.

Primeira etapa: gerar uma tabela, no excel mesmo, com todas as aferições de chuva.

Começamos com a primeira dificuldade, seria fácil se o histórico não tivesse em formato ASCII em um arquivo texto tabulado. Eram várias estações, 21 para ser mais preciso, e eu não queria ficar perdendo tempo ajustando/importando manualmente no excel.

Além disso eu precisava que esta tabela fosse, na verdade, uma matriz com os dados de entrada e saída fosse, que seria a profundidade do rio no dia seguinte. A maior dificulade de trabalhar com redes neurais não é gerar a rede, mas sim tratar os dados de forma que ela possa generalizá-lo.

Criei um software em C# que lia estes arquivos ASCII e gerava esta matriz…. foram 4 horas de trabalho, mas ainda assim acredito que ganhei muito tempo. Se fosse fazer manualmente, além de uma LER, eu demoraria umas 20h.

Com a tabela em mãos vamos para a segunda etapa: Criar uma rede que generalize estas informações. Em outra oportunidade irei detalhar um pouco mais sobre redes neurais, mas de forma resumida, precisamos ensinar a rede, através de técnicas e métodos, a reconhecer padrões dentro de um determinado cenário.

Neste caso tinhamos vários uma quantidade X de informações. Nós ensinávamos a rede com uma porcentagem desta quantidade, refinava com outra e testava com outra. Ou seja, os testes finais eram com informações que a rede nunca tinha visto antes. No artigo vemos a tabela com estas informações.

A ferramenta utilizada para isto foi o MatLab 2009 com seu excelente Wizard.. hehehehe.

Eu criei 15 arquiteturas de redes diferentes, testando cada uma delas com as entradas e avaliando as saídas através de progressões matemáticas.

Aqui chegamos a segunda dificuldade. A rede não queria generalizar. Não passava de 70% de acerto. Então o Paulo Bausfield teve uma excelente idéia: “Vamos dividir todos os números pelo maior deles”. Ótimo agora todos os números ficaram entre 0 e 1 e a rede tinha mais facilidade de generalização assim. A consequência teria que ser converter o valor novamente ao final de todo processo.

Foram mais 15 redes agora com os dados em forma de 0 e 1.

No artigo vemos em negrito a arquitetura que teve maior rendimento. Ao final chegamos aos seguintes dados:

• Utilizamos 70% do histórico para treinar a rede;
• Utilizamos 15% para validação e refinamento;
• Utilizamos 15% para testes finais;
• No treinamento e validação a rede chegou a 93% de generalização;
• Nos testes finais a rede chegou a 92% de generalização, ou seja, acerto.
• A arquitetura da rede era dividida em 3 camadas:
  • Camada entrada: 21 neurônios, um para cada estação;
  • Camada intermediária (hidden): 20 neurônios, escolhida através de testes;
  • Camada saída: 1 neurôno: resultado da profundidade do rio.

Mas ainda tinha uma última etapa: Criar uma interface em Matlab para possibilitar o usuário utilizar a rede, ou seja, digitar quanto choveu HOJE e ver como estará o rio AMANHÃ.

Esta tive uma dificuldade, que foi encotrar material de utilização, em forma de programação, da rede construída na ferramenta. Ao final consegui fazer a tela e deixá-la funcionando. O ideal seria evoluí-la um pouco mais, mas já estava funcional.

Por fim enviei para o professor a solução em Matlab, a tabela com o resultado dos testes de cada arquitetura e uma imagem ilustrativa da rede, estas informações podem ser vistas no artigo.

O artigo foi feito entre janeiro e fevereiro de 2010 e apresentado em Julho do mesmo ano pelo professor. Infelizmente não consegui recurso financeiro para ir para lá.

Gostei bastante de fazer este artigo, principalmente pelo desafio de algo novo. É sempre empolgante. Seria melhor se fosse possível tirar um tempo durante o dia para fazer isto e não nas madrugadas regadas a café e biscoito =)

Abaixo segue o artigo:

É isso aí, outros virão assim que possível. Escrevi mais dois sozinho, mas tenho que publica-los ainda… hehehehe

Abrs,

“Se eu vi mais longe, foi por estar de pé sobre ombros de gigantes” Isaac Newton