Resumo
O Nordeste brasileiro, em relação a criação de caprinos, destaca-se das demais regiões por possuir cerca de 92,82 % de todos os rebanhos existentes no país. Tal valor remete a região citada como um dos principais polos produtores de couro produzido a partir da pele desses animais. No entanto, apesar do exposto, os processos desempenhados para a produção do couro, detecção de defeitos e definição do nível de qualidade ocorrem de maneira totalmente manual e subjetiva, o que os torna lentos, trabalhosos e passíveis de ocorrências de diversos erros. Em pesquisa, pode-se observar que a definição do nível de qualidade do mesmo conjunto de peças de couro por profissionais distintos e de uma mesma empresa, mostra-se com um nível de concordância de aproximadamente 42 %, o que pode acarretar em diversos prejuízos financeiros para este setor. Tendo em vista tal problemática, é proposto um sistema de apoio a decisão que detecte falhas e atribua um nível de qualidade às peças de couro caprino wet blue. Para a elaboração deste sistema, são adquiridos conjuntos de imagens, aplicadas técnicas de visão computacional com o intuito de detectar bordas, remover plano de fundo, adquirir objetos de interesse e extrair características e, a partir dessas, formar conjuntos de dados e aplicá-los a técnicas de inteligência artificial baseadas redes neurais, instâncias, probabilidade e vetores de suporte, com o intuito de detectar defeitos e, posteriormente, atribuir um nível de qualidade às peças de couro caprino. Como resultado desta dissertação apenas uma metodologia é escolhida para a detecção de falhas e outra para a definição do nível de qualidade. Deste modo, como melhores resultados obtidos destacam-se a aplicação de objetos de interesse de 51 x 51 pixels, extrator Gray Level Co-Occurrence Matrix (GLCM) e classificador Support Vector Machine que possibilitou o alcance de uma acurácia de 96,47 % no RBF treinamento e 96,31 % no teste para a detecção de falhas. Quanto a qualificação das peças de couro, a mesma ocorre através da localização das maiores regiões quadradas e livres de falhas, a partir dessas são adquiridos atributos e formados conjuntos de dados. Em relação a classificação, é utilizado o classificador Naïve Bayes, com o qual pôde-se alcançar uma acurácia de 95,24 % no treinamento e 93,26 % no teste. Por fim, destaca-se que o sistema proposto torna-se adequado para este tipo de indústria, tendo em vista que pode ser utilizado como um sistema de apoio a decisão para a