Aplicativo de reconhecimento de rochas ornamentais utilizando inteligência artificial e visão computacional.
O StoneScan é um aplicativo inovador que utiliza inteligência artificial para identificar rochas ornamentais através de fotografias tiradas por smartphones. Desenvolvido para atender tanto profissionais do setor quanto consumidores finais, o aplicativo emprega redes neurais avançadas para reconhecer e classificar diferentes tipos de rochas, como granitos e mármores, a partir de imagens de superfícies como pias, pisos e paredes.
O projeto é resultado de uma colaboração multidisciplinar entre estudantes de Sistemas de Informação e Técnico em Mineração, sob orientação docente. As informações sobre as rochas são baseadas em fontes autorizadas, incluindo o manual de rochas ornamentais do SindRochas e dados fornecidos por empresas parceiras do setor.
| Arquivo | Descrição |
|---|---|
| model_training.py | Implementação principal do modelo de deep learning usando TensorFlow e MobileNetV2 para classificação de imagens de rochas. Inclui pipeline completo de treinamento. |
| model_development.ipynb | Notebook Jupyter para desenvolvimento, experimentação e validação do modelo de classificação de rochas. |
| .gitignore | Configurações para ignorar arquivos e diretórios específicos no controle de versão. |
- Utilização do MobileNetV2 pré-treinado para extração de características
- Data augmentation para melhor generalização do modelo
- Pipeline de treinamento em duas fases (transfer learning e fine-tuning)
- Sistema de logging para monitoramento do treinamento
- Callbacks para early stopping e checkpointing
- Visualização do histórico de treinamento
- Python 3.x
- TensorFlow 2.x
- NumPy
- Matplotlib
- Logging
- Clone o repositório:
git clone https://github.com/seu-usuario/StoneScan-Python.git- Instale as dependências:
pip install -r requirements.txt- Execute o treinamento:
python model_training.pyO modelo gera gráficos de acurácia e perda durante o treinamento, salvos como 'training_history.png'. O melhor modelo é automaticamente salvo como 'best_model.keras'.