Aprendizado profundo para classificação de microorganismos

Detalhes bibliográficos
Ano de defesa: 2018
Autor(a) principal: Faria, Renan Carlos Prata de
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Rio de Janeiro
Brasil
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Programa de Pós-Graduação em Engenharia de Sistemas e Computação
UFRJ
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Machine Learning
Deep Learning
Microrganismos
Redes Neurais
CNPQ::ENGENHARIAS
Link de acesso: http://hdl.handle.net/11422/13071
Resumo: In this work we present a comparison among three machine learning (ML) methods applied to identify Chattonella based on microscopic images. We analyze KNearest Neighbors algorithm (KNN), Weightless Neural Network algorithm (WNN) and Convolutional Neural Network algorithm (CNN). The latter being the state of art to image classification. The goal of this work is to identify the best method to count different types of microorganisms in oceanic water samples, with the goal for detecting pollution. This comparison takes into account accuracy of the hit rate. The best result was reached by Convolutional Neural Network algorithm, as will be described in this work.
id UFRJ_67e0f3f218ed2b8e3c65904b15d2a180
oai_identifier_str oai:pantheon.ufrj.br:11422/13071
network_acronym_str UFRJ
network_name_str Repositório Institucional da UFRJ
repository_id_str
spelling Aprendizado profundo para classificação de microorganismosMachine LearningDeep LearningMicrorganismosRedes NeuraisCNPQ::ENGENHARIASIn this work we present a comparison among three machine learning (ML) methods applied to identify Chattonella based on microscopic images. We analyze KNearest Neighbors algorithm (KNN), Weightless Neural Network algorithm (WNN) and Convolutional Neural Network algorithm (CNN). The latter being the state of art to image classification. The goal of this work is to identify the best method to count different types of microorganisms in oceanic water samples, with the goal for detecting pollution. This comparison takes into account accuracy of the hit rate. The best result was reached by Convolutional Neural Network algorithm, as will be described in this work.Neste trabalho apresentamos uma comparação entre três métodos de aprendizado de máquina (ML) aplicados para identificar Chatonella localizadas imagens microscópicas. Analisamos o algoritmo de vizinhos de k mais próximos (KNN), o algoritmo de rede neural sem peso (WNN) e o algoritmo de rede neural convolucional (CNN). Este último sendo o estado da arte para classificação de imagens. O objetivo deste trabalho é identificar o melhor método para contabilizar diferentes tipos de microrganismos de amostras de água oceânica, com a finalidade de detectar poluição. Essa comparação leva em consideração a precisão da taxa de acertos. O algoritmo que teve o melhor desempeho foi a rede neural convolucional, como será detalhado neste trabalho.Universidade Federal do Rio de JaneiroBrasilInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de EngenhariaPrograma de Pós-Graduação em Engenharia de Sistemas e ComputaçãoUFRJFarias, Ricardo Cordeiro dehttp://lattes.cnpq.br/9063837162469343http://lattes.cnpq.br/1449350515236077França, Felipe Maia GalvãoSalomon, Paulo SérgioFaria, Renan Carlos Prata de2020-09-21T23:16:58Z2023-12-21T03:02:17Z2018-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/11422/13071porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJ2023-12-21T03:02:17Zoai:pantheon.ufrj.br:11422/13071Repositório InstitucionalPUBhttp://www.pantheon.ufrj.br/oai/requestpantheon@sibi.ufrj.bropendoar:2023-12-21T03:02:17Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv Aprendizado profundo para classificação de microorganismos
title Aprendizado profundo para classificação de microorganismos
spellingShingle Aprendizado profundo para classificação de microorganismos
Faria, Renan Carlos Prata de
Machine Learning
Deep Learning
Microrganismos
Redes Neurais
CNPQ::ENGENHARIAS
title_short Aprendizado profundo para classificação de microorganismos
title_full Aprendizado profundo para classificação de microorganismos
title_fullStr Aprendizado profundo para classificação de microorganismos
title_full_unstemmed Aprendizado profundo para classificação de microorganismos
title_sort Aprendizado profundo para classificação de microorganismos
author Faria, Renan Carlos Prata de
author_facet Faria, Renan Carlos Prata de
author_role author
dc.contributor.none.fl_str_mv Farias, Ricardo Cordeiro de
http://lattes.cnpq.br/9063837162469343
http://lattes.cnpq.br/1449350515236077
França, Felipe Maia Galvão
Salomon, Paulo Sérgio
dc.contributor.author.fl_str_mv Faria, Renan Carlos Prata de
dc.subject.por.fl_str_mv Machine Learning
Deep Learning
Microrganismos
Redes Neurais
CNPQ::ENGENHARIAS
topic Machine Learning
Deep Learning
Microrganismos
Redes Neurais
CNPQ::ENGENHARIAS
description In this work we present a comparison among three machine learning (ML) methods applied to identify Chattonella based on microscopic images. We analyze KNearest Neighbors algorithm (KNN), Weightless Neural Network algorithm (WNN) and Convolutional Neural Network algorithm (CNN). The latter being the state of art to image classification. The goal of this work is to identify the best method to count different types of microorganisms in oceanic water samples, with the goal for detecting pollution. This comparison takes into account accuracy of the hit rate. The best result was reached by Convolutional Neural Network algorithm, as will be described in this work.
publishDate 2018
dc.date.none.fl_str_mv 2018-09
2020-09-21T23:16:58Z
2023-12-21T03:02:17Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/11422/13071
url http://hdl.handle.net/11422/13071
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
Brasil
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Programa de Pós-Graduação em Engenharia de Sistemas e Computação
UFRJ
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
Brasil
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Programa de Pós-Graduação em Engenharia de Sistemas e Computação
UFRJ
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRJ
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Repositório Institucional da UFRJ
collection Repositório Institucional da UFRJ
repository.name.fl_str_mv Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv pantheon@sibi.ufrj.br
_version_ 1831773707311251456

Registros relacionados