Um Sistema Multiagente para a Estimação da Cobertura da Conformação por Jateamento em Placas de Alumínio

Um Sistema Multiagente para a Estimação da Cobertura da Conformação por Jateamento em Placas de Alumínio Luiz Carlos Vieira Instituto de Pesquisas Tecnológicas do Estado de São Paulo [email protected]

Flavius P. Ribas Martins Escola Politécnica da Universidade de São Paulo [email protected]

Abstract Peen Forming is an industrial process based on the induced impact of spherical particles made of steel or ceramic against metallic surfaces, with the purpose of manipulating its shape. Its coverage estimation, an important measurement of the reason between the hit and the exposed areas, is still made by manual fashions and largely dependent on human intervention. However, the automatic segmentation of images captured from surfaces exposed to the process is difficult due to noise-like formations such as shadows and reflections. Multiagent Systems (MAS) are a model from Artificial Intelligence in which computer agents interact to resolve problems distributed and cooperatively. They have been applied to image processing in different domains producing interesting results. This paper presents the efforts in constructing a MAS to segment images captured from aluminum alloy plates submitted to Peen Forming in order to aid in the automatic estimation of the coverage. Keywords: Peen Forming, Coverage, Multiagent Systems, Computer vision.

1. Introdução O Jateamento de Granalhas (Shot Peening) é um processo industrial em que partículas esféricas de aço ou cerâmica são projetadas contra superfícies metálicas, deformando-as para conferir maior resistência à fadiga e à corrosão ou para controlar a forma [1]. Essa última aplicação, amplamente utilizada pela indústria aeronáutica e também chamada de Conformação por Jateamento (Peen Forming), tem como importante variável de controle a cobertura – razão entre área atingida e área total [2]. A medição da cobertura é ainda efetuada de forma subjetiva e largamente dependente de inspeção visual humana, motivando assim grande interesse de automação. Entretanto, as imagens capturadas das superfícies expostas a esse processo são de difícil segmentação,

Agenor de Toledo Fleury Centro Universitário da FEI [email protected]

principalmente devido à ocorrência de reflexos e sombras surgidos nas endentações produzidas pelos impactos (crateras), mas também a outras formas de ruído como as estrias produzidas pela usinagem do material. Assim, métodos gerais baseados na similaridade falham em separar pixels nos locais em que ocorrem reflexos, sombras e estrias, e métodos baseados na descontinuidade produzem um grande volume de bordas inválidas. Dessa forma, acreditando-se ser necessário o auxílio de técnicas da Inteligência Artificial (IA) na segmentação dessas imagens, uma pesquisa anterior [3] do Instituto de Pesquisas Tecnológicas do Estado de São Paulo (IPT) utilizou um algoritmo indutivo para a classificação de pixels entre as classes de placa e cratera a partir de dados estatísticos obtidos com a intervenção humana. Esse esforço produziu resultados cuja taxa de erro, medida em comparação a uma segmentação ideal realizada manualmente, foi estimada em torno de 5% de pixels erroneamente classificados. Na busca por identificar modelos da IA que permitissem melhorar esses resultados, observou-se potencial nos Sistemas Multiagentes (SMA). Agentes são entidades computacionais que existem, observam e agem em um ambiente de execução, de forma autônoma e em busca de objetivos próprios [4]. Individualmente sua arquitetura reativa lhes permite serem flexíveis face à incerteza ou incompletude, mas em conjunto eles exploram a interação para complementar as capacidades individuais, dividir esforços ou ampliar a visão do ambiente [5]. Da interação emergem soluções aplicáveis a diferentes domínios de problema, e já é possível observar na literatura um grande número de propostas aplicadas ao processamento de imagens digitais. Este artigo apresenta um SMA em estudo para auxiliar a segmentação e a estimação da cobertura de imagens capturadas de placas de alumínio submetidas à Conformação por Jateamento. Ele está organizado da seguinte forma. Na seção 2 são apresentados trabalhos relacionados e na seção 3 a proposta em construção. Na seção 4 são apresentados os resultados iniciais e na seção 5 as conclusões e os direcionamentos futuros.

2. Trabalhos Relacionados Um dos primeiros SMAs empregado no processamento de imagens digitais utilizou agentes para acompanhar células vivas em seqüências de imagens [6]. Especializados em cada parte de uma célula, os agentes utilizam critérios individuais de similaridade para agregar pixels e interagem para unir esforços com agentes de mesmo papel ou negociar pixels nas fronteiras. Como forma de acompanhar a movimentação das células, os agentes duplicam-se na imagem seguinte a partir da posição na imagem anterior. Em [7] foi reproduzido o comportamento social de aranhas para realizar uma segmentação por similaridade. Durante sua movimentação, os agentes marcam pixels similares segundo critérios individuais “tecendo” teias entre eles. Tal movimentação é aleatória e também conduzida pelas teias existentes, de forma a reforçar gradualmente as maiores similaridades. Um fator de atração às teias controla a exploração da imagem, e o número de marcas serve à classificação das similaridades. Em [8] agentes foram utilizados para validar anéis em imagens de ossos do ouvido interno de peixes. Os agentes, especializados em anéis escuros ou claros, seguem as maiores variações no gradiente local da região angular observada à frente do sentido de movimento. Agentes observados próximos permitem o distanciamento mútuo que diferencia anéis em locais de baixa variação, e os anéis são validados quando os agentes retornam ao local de partida. Em [9] empregaram-se agentes no reconhecimento de objetos. Após serem posicionados aleatoriamente sobre a imagem, esses agentes se movem segundo fatores de momento e aleatoriedade utilizados para controlar a amplitude de exploração. O movimento também é guiado por um fator de atração mútuo, que permite a formação de grupos distintos. Individualmente, avaliam o valor do gradiente local enquanto se movem, rotulando-se como “borda vertical”, “borda horizontal” ou “borda angular” no ponto de máximo encontrado. Os agrupamentos formados caracterizam diferentes objetos e os rótulos individuais permitem a interpretação por meio de uma rede neural. Em [10] agentes foram utilizados para a integração de diferentes operadores para a interpretação de texto do idioma japonês. Os agentes são contemplados com conhecimento formal a respeito de linhas, palavras (ideogramas) e traços, composto por indicações de localização provável, relações com outros objetos e uma função de custo para minimização. Individualmente buscam minimizar essa função, mas interagem para se organizar dinamicamente em uma estrutura hierárquica de pais e filhos. O conhecimento hierárquico restringe a atuação dos agentes filhos em termos da região de busca.

Avaliando suas relações em quaisquer dos níveis, um agente altera sua posição na hierarquia ou negocia filhos com outros agentes para satisfazer seus critérios individuais. A hierarquia final resulta na interpretação do texto contido na imagem. Em [11] agentes foram empregados na construção dinâmica e adaptativa de uma aplicação de processamento de imagens de propósito geral. O sistema é provido de descritores visuais do objeto desejado e de um conjunto de imagens de treinamento. Os agentes encapsulam operadores e executam-nos sobre uma imagem de entrada. Eles interagem diretamente entre si para solicitar a execução de seus respectivos operadores e então se atribuem valores de credibilidade que são calculados em relação ao quanto os resultados auxiliam na credibilidade individual perante os próprios demandantes. A evolução das credibilidades no escopo individual permite a um agente escolher os melhores provedores e ajustar seus próprios parâmetros, enquanto que no escopo da sociedade permite o surgimento gradual de uma seqüência hierárquica que representa o melhor método encontrado para o processamento de imagens do problema proposto.

3. Materiais e Métodos Dentre os problemas abordados no projeto "Modelamento, Monitoramento e Controle de Processo de Conformação por Jateamento de Esferas de Peças Usinadas de Ligas de Alumínio", realizado pelo IPT em parceria com a Embraer e a Unicamp, destaca-se o de se estimar a cobertura de placas usinadas de ligas de alumínio (70s0-7451) submetidas à conformação por jateamento com granalhas de aço de 3,175mm de diâmetro. Considerando-se que a análise de imagens de exemplares dessas placas se apresenta como a técnica natural para a estimação da variável de interesse, montouse um arranjo experimental para captura ilustrado na Figura 1. Ele inclui um microscópio óptico Carl Zeiss modelo Citoval 2 (30x de ampliação), uma fonte de luz branca colimada de 30W, uma câmera de vídeo CCD colorida da marca Moticam modelo 480, e o software de aquisição de imagens Motic Image Plus.

Figura 1 – Vista frontal (a) e de topo (b) do arranjo de captura das imagens.

Esse arranjo tem o propósito de auxiliar na diminuição dos efeitos da reflexão nas crateras e estrias durante a captura. A placa é posicionada com as estrias perpendiculares à câmera, e então são capturadas duas imagens sob orientação de luz em 30º e 150º, respectivamente. Assim as concentrações de pixels com alta intensidade decorrentes dos reflexos permanecem em lados diferentes nas imagens (Figura 2 a, b), permitindo quase totalmente sua eliminação com um operador de fusão em que cada pixel na imagem de saída é igual ao pixel correspondente de menor intensidade nas imagens de entrada. Na imagem final (Figura 2, c), convertida em monocromática uma vez que a informação de cor é desnecessária ao problema, percebe-se como efeito colateral que as sombras e estrias escuras são realçadas.

método indutivo que gerou como resultado a imagem apresentada na Figura 3 (a). Logo, essa seria uma boa imagem de entrada para os agentes de um SMA. Todavia, o fato de esse algoritmo necessitar de treinamento prévio e também a percepção de que os agentes poderiam talvez produzir bons resultados sobre pré-processamentos de menor qualidade, motivaram o estudo de um procedimento similar composto apenas por métodos gerais, guiado por conhecimento de domínio nos âmbitos da intensidade luminosa e da geometria. As crateras são consideravelmente mais escuras do que as estrias, e essas são em geral mais escuras do que a placa. Assim aplicou-se à imagem original o algoritmo kmédias para classificar os pixels em três classes e produzir uma imagem binária contendo apenas a classe de menor centróide (média de intensidade) (1). As crateras também tendem a apresentar uma forma circular, e então foi utilizada em seguida uma composição das operações morfológicas de abertura e fechamento com um elemento estruturante do tipo “disco” de raio 3 para eliminar furos e diminuir artefatos em forma de península associados às partes remanescentes de estrias (2).

 3  2 K (I ) = Si ∈ ∑ ∑ (x j − µi )  | MIN ( µi )  i =1 x j∈Si  R = (K (I ) o D3 ) • D3

Figura 2 – Imagens originais sob iluminação em 30º (a) e 150º (b), e imagem resultante da fusão (c). Os métodos gerais de segmentação no domínio espacial mostraram-se insuficientes para a segmentação dessa imagem, dada a grande variedade de intensidade. Apesar da tendência das crateras a apresentarem a forma circular, as sobreposições, sombras e estrias também dificultam a utilização direta de métodos de identificação de círculos. Também não se cogitou aplicar métodos baseados no domínio das freqüências devido à dificuldade de síntese de filtros capazes de atenuar os objetos indesejáveis (sombras, reflexos e estrias escuras). No estudo dos trabalhos relacionados verificou-se que o processamento de imagens digitais por agentes baseia-se no refinamento ou reconstrução dos resultados de préprocessamentos obtidos com operadores gerais tornados disponíveis no ambiente de execução dos agentes. Assim, acredita-se que o sistema proposto deve utilizar agentes para reconstruir as crateras com a eliminação de resíduos gerados por sombras e estrias e com a complementação das falhas decorrentes de reflexos. Como já mencionado, em um trabalho anterior [3] optou-se por utilizar um

(1) (2)

Afortunadamente esse procedimento produziu um resultado similar àquele gerado com o algoritmo indutivo, conforme ilustra a Figura 3, mesmo não se tendo esse objetivo à ocasião.

Figura 3 – Resultados do algoritmo indutivo (a) e do procedimento com k-médias e morfologia matemática (b). Dos trabalhos relacionados percebeu-se que os papéis e a organização de um SMA são o meio para a resolução do problema, assim como a forma de representação necessária à interpretação do conteúdo (rótulos). Desse modo, optou-se por se iniciar o projeto do SMA com a definição dos papéis e relacionamentos entre os agentes. Tal definição foi direcionada pelo resultado do préprocessamento descrito anteriormente: como a imagem a ser reconstruída é binária, grande parte das classificações

já está efetuada e os erros restantes são falhas internas (reflexos) ou externas (sombras). Ambos esses tipos de erros requerem correções nas bordas para que pixels erroneamente classificados como “cratera” ou “placa” sejam ajustados. As bordas existentes contêm informação para sua própria reconstrução em termos da tendência de circularidade, mas, por outro lado, a sobreposição de impactos requer que as crateras sejam diferenciadas para o correto ajuste das bordas, de maneira que precisam ser identificadas pelas coordenadas de seus centros e comprimento de seus raios. Por isso foram estabelecidos os seguintes papéis para os agentes do sistema: i. Gerente de Segmentação (GS). Representa a principal interface do sistema, gerenciando as ações requisitadas e apresentando os resultados produzidos pelos Decompositores de Região que cria sob a imagem no ambiente. Além disso, compete a esse papel calcular a cobertura ao final da segmentação. ii. Decompositor de Região (DR). Representa uma região de pixels da cratera na imagem do ambiente. Para tanto, cria os marcadores, coleta seus resultados produzidos e valida as crateras encontradas segundo um parâmetro de tamanho mínimo ideal. iii. Marcador de Borda (MB). É responsável por marcar uma borda em um ponto específico da região, movendo-se de modo a ajustá-la nesse ponto. Isso é feito mediante interação direta com um Marcador de Centro, de quem se aproxima ou se afasta, conforme o caso. iv. Marcador de Centro (MC). É responsável por localizar e marcar o centro de uma cratera e também por identificar seu raio. Interage com Marcadores de Borda, movendo-se para manter a mesma distância, relativa a eles, ou sugerindo novas localidades que atendam satisfatoriamente ao grupo. A reconstrução decorre da organização dos agentes, que é parte institucionalizada no projeto (papéis) e parte dinamicamente formada pelos agentes (coalizões). Utilizando uma interface gráfica, o usuário carrega a imagem no sistema, que é então processada e posta à disposição dos agentes no ambiente. Após a solicitação de início da segmentação, o GS cria um DR para cada região na imagem binária (sendo uma região um conjunto de pixels de cratera conectados e delimitados por pixels de placa). Por sua vez, cada DR cria múltiplos MBs e MCs. Os MBs são distribuídos ao longo da borda e os MCs internamente na região. O espaçamento dos MBs é parametrizado em função da tolerância aceitável para a discrepância entre a borda real e a detectada. Já a distribuição dos MCs se dá segundo os vértices do Diagrama de Voronoi calculado a partir dos MBs já posicionados. Como em um círculo ideal o vértice do Diagrama de Voronoi construído a partir de seus pontos de perímetro coincide com o centro, isso significa

que nas regiões eles indicam o melhor posicionamento inicial para os MCs além de uma boa aproximação para o número necessário deles. A Figura 4 representa a organização institucionalizada dos agentes, formada durante a iniciação da segmentação.

Figura 4 – Organização e iniciação dos agentes A organização dinâmica se dá por coalizões formadas entre os dois tipos de marcadores. Enquanto os MBs buscam se unir a um único MC, os MCs procuram se unir com o maior número de MBs possível, desde que possam mantê-los eqüidistantes de si. Essa condição é mantida pelos próprios agentes, que precisam se mover para ajustar sua posição a múltiplos MBs (no caso de um MC) ou para serem aceitos em uma coalizão com um MC (no caso de um MB). Com essas movimentações, as bordas são ajustadas e as crateras identificadas em termos de um centro (posição de um MC) e raio (distância aos MBs). A análise preliminar dessa arquitetura permite vislumbrar a necessidade de se estabelecer outras formas de interação entre os agentes. Por exemplo, os MCs deveriam buscar a união de esforços ao se aproximarem, de modo a agrupar seus respectivos MBs. Também os MBs deveriam interagir com outros MCs, para substituir coalizões por outras mais adequadas. Ainda assim, a solução utilizando agentes é emergente e ocorre sem um controle centralizado, o que a torna também pouco determinística. Por esse motivo, considerou-se fundamental avaliar a interação principal MB-MC com auxílio de um protótipo antes de se evoluir as demais. Para a construção dos agentes do protótipo, desenvolvido na linguagem Java (versão 6.1SE), utilizaram-se as ferramentas de código aberto JADE (versão 3.4.1) [12] e JADEX (versão 0.96) [13]. O JADE é uma plataforma de desenvolvimento que oferece uma extensa biblioteca de objetos para a construção de agentes e de sua comunicação direta, baseada nos padrões da FIPA (Foundation for Physical Intelligent Agents). O JADEX é uma ferramenta para a construção do mecanismo de raciocínio dos agentes, fundamentada na arquitetura de Crenças, Desejos e Intenções [4]. Com essa arquitetura, as observações de um agente são descritas e manipuladas como fatos (crenças) e empregadas na

ativação ou inibição de objetivos (desejos) conforme se alteram. O mecanismo se encarrega das ativações dos objetivos, produzindo as intenções, cabendo ao projetista apenas a missão de modelar as crenças e objetivos de acordo com as motivações dos agentes, e concretizar as ações necessárias por meio de planos – classes escritas em código Java. O protótipo construído inclui todos os agentes, mas somente as interações necessárias à iniciação e a interação principal entre os MBs e MCs. As observações e atuações dos agentes foram produzidas como métodos públicos em uma classe compartilhada (singleton), compreendendo nas observações os pixels da imagem binária, os agentes localizados na vizinhança (segundo raio parametrizado), e as mensagens recebidas, e nas atuações a movimentação espacial e o envio de mensagens entre os agentes. O comportamento de um MB consiste em observar sua vizinhança e identificar o MC mais próximo ainda não anotado. A esse MC envia então uma proposta, cuja resposta encerra a atuação se indicar aceitação. Se ao contrário, contiver uma sugestão de localidade, ela é anotada para uma nova observação e proposição de coalizão a outro MC. Essa atuação se repete até que o MB seja capaz de decidir o melhor MC a se unir, movendo-se então apropriadamente e indicando ao MC a aceitação. Já o comportamento do MC consiste em esperar propostas de coalizão, calcular a distância que o separa do proponente e compará-la às distâncias que o separam dos MBs já em coalizão. Se a distância ao proponente for a mesma do raio atual, a coalizão é imediatamente aceita. Senão, o MC verifica, também calculando Vértices de Voronoi, se existe uma localidade que satisfaça tanto aos MBs já em coalizão quanto ao novo proponente. Em caso afirmativo, aceita a proposição e realiza o movimento pertinente; em caso contrário, sugere uma nova localidade com base no raio atual e a envia ao proponente, instandoo a que se aproxime ou se afaste.

4. Resultados Iniciais Uma vez que o objetivo do protótipo é a análise da interação principal entre MBs e MCs, optou-se por realizar testes em sub-imagens de regiões contendo uma única cratera e com a criação de um único MC posicionado sobre um dos vértices do Diagrama de Voronoi aleatoriamente escolhido. A Figura 5 ilustra alguns resultados obtidos utilizando-se uma sub-imagem em que os pixels vermelhos representam os MBs, o pixel amarelo o MC e os pixels azuis os vértices do Diagrama de Voronoi. Em (a) observa-se o posicionamento dos agentes antes da segmentação, e em (b), (c) e (d) observam-se três diferentes resultados, sendo o primeiro considerado ideal e os demais contendo erros grosseiros.

Figura 5 – Sub-imagem submetida aos agentes em três execuções Essas diferenças decorrem da seqüência em que as coalizões são formadas. No caso da execução bem sucedida (b), os MBs do canto superior direito foram os primeiros a solicitar e formar coalizões com o MC único, conferindo, assim, uma maior importância sobre as negociações subseqüentes. Por outro lado, em (c) foram os MBs do canto inferior direito os primeiros solicitantes e em (d) os do canto inferior esquerdo. Essa falta de determinismo é ainda mais crítica em regiões contendo falhas internas, como ilustrado na Figura 6, pois no melhor dos casos (b) o resultado é ainda uma aproximação inferior à desejada.

Figura 6 – Sub-imagem de teste com cratera incompleta Além disso, após a realização de testes com todos os MCs criados foi possível confirmar uma suspeita que apenas se levantou durante a construção do protótipo: com a utilização do Diagrama de Voronoi para o posicionamento dos MCs, os MBs simplesmente não se movem, pois naturalmente já se encontram eqüidistantes dos outros MBs formadores dos vértices. Ainda assim, mesmo marcando centros potenciais, não é possível simplesmente escolher aqueles vértices formados pelo maior número de MBs, pois eles não correspondem aos centros ideais. Faz-se necessário considerar a interação entre os MCs como a mais importante na escolha desses centros e na unificação dos círculos já identificados. Também é preciso reavaliar o papel dos MBs, uma vez que parecem servir apenas ao cálculo dos vértices e como marcações no ambiente, ferindo o conceito fundamental de agentes pró-ativos e autônomos. Com esse novo direcionamento

de interação indireta entre MCs, movendo concorrentemente marcas de borda passivas no ambiente, espera-se que não somente a complexidade da solução diminua, mas que também seja possível obter resultados mais controlados.

[4] M. WOOLDRIDGE, Intelligent Agents. In: G. WEISS, Multiagent Systems and Distributed Artificial Intelligence, Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence, MIT Press, Cambridge, 1999.

5. Conclusões

[5] J. S. SICHMAN, Raciocínio Social e Organizacional em Sistemas Multiagentes: Avanços e Perspectivas, Departamento de Engenharia de Computação e Sistemas Digitais, Escola Politécnica da Universidade de São Paulo, São Paulo, 2003.

Os Sistemas Multiagentes tem se apresentado como ferramenta promissora no refinamento e reconstrução de resultados obtidos com operadores gerais, e os papéis como um modelo de representação de conteúdo. Na solução idealizada, a reconstrução se dá com o ajuste das bordas originalmente circulares e com a identificação dos centros e raios das crateras, realizadas por agentes especializados que se movem sobre a imagem à medida que formam coalizões. Entretanto, a falta de determinismo na seqüência de interações induz a muitos erros e por isso a organização e as interações precisam ser revisadas. O posicionamento dos MCs sobre os vértices do Diagrama de Voronoi lhes confere posição e raio favoráveis, que podem ser mais bem explorados em interações indiretas decorrentes da concorrência na movimentação de marcas de borda. Também por isso o papel dos MBs como agentes precisa ser revisado, pois eles se mostraram úteis apenas para o cálculo dos vértices e para serem passivamente movimentados pelos MCs.

Agradecimentos Este trabalho recebeu apoio da FINEP e da EMBRAER, a quem agradecemos pelo auxílio.

Referências [1] G. H. R SERIZAWA e J. GALLEGO, Análise Estrutural da Aplicação do Processo de Jateamento de Granalhas de Aço (Shot Peening) em Rotores Hidroelétricos, Anais do XII Congresso Nacional dos Estudantes de Engenharia Mecânica, Ilha Solteira, 2005. [2] D. B. BARRIOS et al., O Processo de Jateamento como Via para Melhorar a Resistência à Fadiga e à Corrosão de Juntas Soldadas: uma Revisão (Parte I: Ligas de Alumínio e Outros Materiais), Revista Soldagem & Inspeção, Uberlândia, v. 12, n. 1, jan./mar. 2007. [3] R. Z. H. ALMEIDA, F. P. R. MARTINS e A. T. FLEURY, A Medição da Cobertura sobre Chapas de Alumínio Submetidas ao Processo de Conformação por Jateamento Utilizando Visão Computacional, Anais do CIBIM 8/8vo Congreso Iberoamericano de Ingeniería Mecânica, Cuzco, 2007.

[6] A. BOUCHER e C. GARBAY, A Multi-Agent System to Segment Living Cells, Proceedings of the International Conference on Pattern Recognition, IEEE Press, Washington, 1996. [7] C. BOURJOT, V. CHEVRIER e V. THOMAS, How Social Spiders Inspired an Approach to Region Detection, Proceedings of the 1st International Conference on Autonomous Agents, Bolonha, 2002. [8] A. GUILLAUD et al., A Multiagent System for Edge Detection and Continuity Perception on Fish Otolith Images, EURASIP Journal on Applied Signal Processing, Nova York, 2002. [9] T. MIRZAYANS et al., A Swarm-Based System for Object Recognition, Neural Network World Journal, Praga, 2005. [10] K. GYOHTEN, Optimization-Based Image Analysis Dealing with Symbolic Constraints Using Hierarchical Multi-Agent System, Proceedings of the 4th IEEE International Conference on Systems, Man, and Cybernetics, IEEE Press, Washington, 2000. [11] Y. ABCHICHE, P. DALLE e Y. MAGNIEN, Construction Adaptative de Concepts par Structuration D’Entités de Traitement D’Images, Congrés Francophone de Reconnaissance des Formes et Intelligence Artificielle, AFRIF-AFIA, Angers, 2002. [12] F. BELLIFEMINE, A. POGGI e G. RIMASSA, JADE – A FIPA-Complaint Agent Framework, Proceedings of the 4th International Conference on The Practical Application of Agents and Multi-Agent Technologies, Londres, 1999. [13] A. POKAHR, L. BRAUBACH e W. LAMERSDORF, JADEX: Implementing a BDIInfrastructure for JADE Agents, In Search of Innovation (Special Issue on JADE), Turim, 2003.