Deep learning aplicado à inspeção visual de madeira, pólen e vírus
Ano de defesa: | 2021 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , , |
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
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | https://repositorio.ufu.br/handle/123456789/32470 http://doi.org/10.14393/ufu.te.2021.280 |
Resumo: | 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. |
id |
UFU_fe09cf3b20007100ba788af6e3ab247f |
---|---|
oai_identifier_str |
oai:repositorio.ufu.br:123456789/32470 |
network_acronym_str |
UFU |
network_name_str |
Repositório Institucional da UFU |
repository_id_str |
|
spelling |
2021-07-15T16:54:40Z2021-07-15T16:54:40Z2021-05-19GEUS, André Reis de. Deep learning aplicado à inspeção visual de madeira, pólen e vírus. 2021. 92 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. Disponível em: http://doi.org/10.14393/ufu.te.2021.280https://repositorio.ufu.br/handle/123456789/32470http://doi.org/10.14393/ufu.te.2021.280O 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.Pollen, virus, and wood species recognition has been shown to be an important task for a number of areas, contributing to criminal investigations, climate studies, drug developments, among others. However, these studies rely on highly qualified professionals to analyze microscopic images, which have become scarce and costly. Therefore, the automation of these tasks using computational methods is promising. Recently, Deep Learning has proven to be the ultimate set of techniques for many computer vision tasks, however, it is a very difficult task to build a data set with enough samples to train these techniques from scratch. In this study, the use of transfer learning was investigated pre-training deep neural networks for pollen, wood, and virus image classification and compared their results with training from scratch and with promising pre-designed features. It also introduced the largest data sets of pollen and wood images to the present date, with 134 and 281 classes, respectively. Results indicate that even with a high number of classes, the proposed methodologies are capable of achieving acceptable classification accuracy: 96.24% in the pollen and 98.75% in the wood classification. Additionally, a new portable device combined with a new image acquisition protocol was developed to perform the wood identification outside a laboratory. Initial results evaluating 11 amazon wood species achieved 98.13% accuracy. As for the virus classification, the deep neural networks have shown to be more effective achieving 89% accuracy, being 2.8% superior when compared to the best pre-designed features study in the literature.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorTese (Doutorado)porUniversidade Federal de UberlândiaPrograma de Pós-graduação em Ciência da ComputaçãoBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/us/info:eu-repo/semantics/openAccessCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOMadeiraVírusPólenImagens microscópicasClassificaçãoDeep LearningImagens microscópicasPólenMadeiraVírusClassificationMicroscopic imagesPollenWoodVirusDeep learning aplicado à inspeção visual de madeira, pólen e vírusDeep learning applied to visual inspection of wood, pollen and virusinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisBackes, André Ricardohttp://lattes.cnpq.br/8590140337571249Souza, Jefferson Rodrigo dehttp://lattes.cnpq.br/1805897404307170Nascimento, Marcelo Zanchetta dohttp://lattes.cnpq.br/5800175874658088Travençolo, Bruno Augusto Nassifhttp://lattes.cnpq.br/2590427557264952Bianchi, Andrea Gomes Camposhttp://lattes.cnpq.br/0251364589832974Jung, Claudio Rositohttp://lattes.cnpq.br/1538338871689655http://lattes.cnpq.br/7660837905331176Geus, André Reis de9297065280reponame:Repositório Institucional da UFUinstname:Universidade Federal de Uberlândia (UFU)instacron:UFUCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufu.br/bitstream/123456789/32470/2/license_rdf9868ccc48a14c8d591352b6eaf7f6239MD52ORIGINALDeepLearningAplicado.pdfDeepLearningAplicado.pdfTeseapplication/pdf20459356https://repositorio.ufu.br/bitstream/123456789/32470/4/DeepLearningAplicado.pdf487c4149456c896a0ba6b2cbdc472c28MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81792https://repositorio.ufu.br/bitstream/123456789/32470/5/license.txt48ded82ce41b8d2426af12aed6b3cbf3MD55TEXTDeepLearningAplicado.pdf.txtDeepLearningAplicado.pdf.txtExtracted texttext/plain158762https://repositorio.ufu.br/bitstream/123456789/32470/6/DeepLearningAplicado.pdf.txt7013f1b65a95c4f75a28b0112851e638MD56THUMBNAILDeepLearningAplicado.pdf.jpgDeepLearningAplicado.pdf.jpgGenerated Thumbnailimage/jpeg1321https://repositorio.ufu.br/bitstream/123456789/32470/7/DeepLearningAplicado.pdf.jpg54b67b7e1d5c6757055d3dbe0bfe9d51MD57123456789/324702021-07-16 03:19:42.966oai:repositorio.ufu.br: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Repositório InstitucionalONGhttp://repositorio.ufu.br/oai/requestdiinf@dirbi.ufu.bropendoar:2021-07-16T06:19:42Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)false |
dc.title.pt_BR.fl_str_mv |
Deep learning aplicado à inspeção visual de madeira, pólen e vírus |
dc.title.alternative.pt_BR.fl_str_mv |
Deep learning applied to visual inspection of wood, pollen and virus |
title |
Deep learning aplicado à inspeção visual de madeira, pólen e vírus |
spellingShingle |
Deep learning aplicado à inspeção visual de madeira, pólen e vírus Geus, André Reis de CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Classificação Deep Learning Imagens microscópicas Pólen Madeira Vírus Classification Microscopic images Pollen Wood Virus Madeira Vírus Pólen Imagens microscópicas |
title_short |
Deep learning aplicado à inspeção visual de madeira, pólen e vírus |
title_full |
Deep learning aplicado à inspeção visual de madeira, pólen e vírus |
title_fullStr |
Deep learning aplicado à inspeção visual de madeira, pólen e vírus |
title_full_unstemmed |
Deep learning aplicado à inspeção visual de madeira, pólen e vírus |
title_sort |
Deep learning aplicado à inspeção visual de madeira, pólen e vírus |
author |
Geus, André Reis de |
author_facet |
Geus, André Reis de |
author_role |
author |
dc.contributor.advisor-co1.fl_str_mv |
Backes, André Ricardo |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/8590140337571249 |
dc.contributor.advisor1.fl_str_mv |
Souza, Jefferson Rodrigo de |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/1805897404307170 |
dc.contributor.referee1.fl_str_mv |
Nascimento, Marcelo Zanchetta do |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/5800175874658088 |
dc.contributor.referee2.fl_str_mv |
Travençolo, Bruno Augusto Nassif |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/2590427557264952 |
dc.contributor.referee3.fl_str_mv |
Bianchi, Andrea Gomes Campos |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/0251364589832974 |
dc.contributor.referee4.fl_str_mv |
Jung, Claudio Rosito |
dc.contributor.referee4Lattes.fl_str_mv |
http://lattes.cnpq.br/1538338871689655 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/7660837905331176 |
dc.contributor.author.fl_str_mv |
Geus, André Reis de |
contributor_str_mv |
Backes, André Ricardo Souza, Jefferson Rodrigo de Nascimento, Marcelo Zanchetta do Travençolo, Bruno Augusto Nassif Bianchi, Andrea Gomes Campos Jung, Claudio Rosito |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Classificação Deep Learning Imagens microscópicas Pólen Madeira Vírus Classification Microscopic images Pollen Wood Virus Madeira Vírus Pólen Imagens microscópicas |
dc.subject.por.fl_str_mv |
Classificação Deep Learning Imagens microscópicas Pólen Madeira Vírus Classification Microscopic images Pollen Wood Virus |
dc.subject.autorizado.pt_BR.fl_str_mv |
Madeira Vírus Pólen Imagens microscópicas |
description |
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. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-07-15T16:54:40Z |
dc.date.available.fl_str_mv |
2021-07-15T16:54:40Z |
dc.date.issued.fl_str_mv |
2021-05-19 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
GEUS, André Reis de. Deep learning aplicado à inspeção visual de madeira, pólen e vírus. 2021. 92 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. Disponível em: http://doi.org/10.14393/ufu.te.2021.280 |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufu.br/handle/123456789/32470 |
dc.identifier.doi.pt_BR.fl_str_mv |
http://doi.org/10.14393/ufu.te.2021.280 |
identifier_str_mv |
GEUS, André Reis de. Deep learning aplicado à inspeção visual de madeira, pólen e vírus. 2021. 92 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. Disponível em: http://doi.org/10.14393/ufu.te.2021.280 |
url |
https://repositorio.ufu.br/handle/123456789/32470 http://doi.org/10.14393/ufu.te.2021.280 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/us/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/us/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Uberlândia |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Ciência da Computação |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Uberlândia |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFU instname:Universidade Federal de Uberlândia (UFU) instacron:UFU |
instname_str |
Universidade Federal de Uberlândia (UFU) |
instacron_str |
UFU |
institution |
UFU |
reponame_str |
Repositório Institucional da UFU |
collection |
Repositório Institucional da UFU |
bitstream.url.fl_str_mv |
https://repositorio.ufu.br/bitstream/123456789/32470/2/license_rdf https://repositorio.ufu.br/bitstream/123456789/32470/4/DeepLearningAplicado.pdf https://repositorio.ufu.br/bitstream/123456789/32470/5/license.txt https://repositorio.ufu.br/bitstream/123456789/32470/6/DeepLearningAplicado.pdf.txt https://repositorio.ufu.br/bitstream/123456789/32470/7/DeepLearningAplicado.pdf.jpg |
bitstream.checksum.fl_str_mv |
9868ccc48a14c8d591352b6eaf7f6239 487c4149456c896a0ba6b2cbdc472c28 48ded82ce41b8d2426af12aed6b3cbf3 7013f1b65a95c4f75a28b0112851e638 54b67b7e1d5c6757055d3dbe0bfe9d51 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU) |
repository.mail.fl_str_mv |
diinf@dirbi.ufu.br |
_version_ |
1792331414348234752 |