Deep learning aplicado à inspeção visual de madeira, pólen e vírus

• Ano de defesa: 2021
• Autor(a) principal: Geus, André Reis de
• Orientador(a): Souza, Jefferson Rodrigo de
• Banca de defesa: Nascimento, Marcelo Zanchetta do , Travençolo, Bruno Augusto Nassif , Bianchi, Andrea Gomes Campos , Jung, Claudio Rosito
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Uberlândia
• Programa de Pós-Graduação: Programa de Pós-graduação em Ciência da Computação
• País: Brasil
• Palavras-chave em Português: Classificação; Deep Learning; Imagens microscópicas; Pólen; Madeira; Vírus; Classification; Microscopic images; Pollen; Wood; Virus
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://repositorio.ufu.br/handle/123456789/32470; http://doi.org/10.14393/ufu.te.2021.280

O reconhecimento de diferentes espécies de pólen, vírus e madeira tem se mostrado importantes para diferentes áreas, contribuindo para as investigações criminais, estudos climáticos, desenvolvimento de medicamentos, dentre outros. Entretanto, esses estudos dependem de profissionais altamente qualificados para a análise de imagens microscópicas, que se tornaram escassos e dispendiosos. Contudo, a automação destas tarefas utilizando métodos computacionais se mostra promissora. Recentemente, Deep Learning provou ser o melhor conjunto de técnicas para diversas tarefas de visão computacional, porém construir um conjunto de imagens com um tamanho suficiente para treinar essas técnicas a partir de sua inicialização com pesos aleatórios se mostra uma tarefa árdua. Este estudo investigou o uso de transferência de aprendizado em redes neurais profundas pré-treinadas para classificação de imagens microscópicas de amostras de pólen, madeira e vírus, comparando seus resultados com treinamento com pesos aleatórios e os métodos de extração de características pré-projetadas. Também foram introduzidos os dois maiores conjuntos em relação ao número de classes de imagens microscópicas de pólen e madeira até o momento, com 134 e 281 classes, respectivamente. Os resultados apontam que, mesmo com um elevado número de classes das bases de imagens, as metodologias propostas são capazes de atingir uma acurácia satisfatória para sua classificação. A saber, 96,24% na classificação de pólen e 98,75% na classificação de madeira. Adicionalmente, foi desenvolvido um novo dispositivo portátil combinado a um protocolo de aquisição de imagens simplificado para realização da classificação de madeiras fora de um laboratório. O resultado inicial avaliando 11 espécies amazônicas alcançou 98,13% de acurácia. Já para a classificação de vírus, as redes neurais profundas se apresentam mais eficazes atingindo a acurácia de 89%, sendo 2,8% superior quando comparadas com o melhor estudo de características pré-projetadas da literatura.