| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.65 MB | Adobe PDF |
Authors
Abstract(s)
Os microrganismos desempenham um papel fundamental no mundo que nos rodeia, afetando
a vida humana de mais formas do que podemos imaginar. A capacidade de visualizar e
identificar corretamente essas pequenas criaturas ao microscópio é fundamental. As técnicas
tradicionais são demoradas, caras, trabalhosas e propensas a erros de classificação e baixa
precisão, daí a importância de um sistema de classificação automática baseado em redes neurais
convulsionais. Modelos treinados com imagens de boa qualidade têm o potencial de fornecer
a deteção e classificação precisa e eficiente de microrganismos.
O presente relatório apresenta o desenvolvimento de um sistema de classificação automática
de microorganismos, em tempo real, usando processamento de imagem baseada em métodos
de aprendizagem profunda, nomeadamente o modelo YOLOv5. É apresentada e discutida em
detalhe, a sua implementação, explicando todo o processo desde o conjunto de dados inicial
composto por 168 imagens de E. coli capturadas usando microscopia tradicional e uma câmera
digital, passando pelo aumento do conjunto de dados, melhoramento de imagem, técnicas
usadas para expandir o conjunto de dados. São apresentadas as várias iterações de treino
necessárias para obter o arquivo final referente aos melhores pesos dos parâmetros de
aprendizagem.
Foi desenvolvido um protótipo de processamento de imagem, constituído por um kit ótico
constituído por tubo ótico de elevadas amplificações e sensores CMOS de elevada
sensibilidade e domínio espectral, ligadas a um minicomputador Nvidia Jetson Nano,
concebido para aplicações em tempo real de aprendizagem profunda, dedicado ao algoritmo de
classificação YOLOv5.
Os resultados iniciais funcionaram como base de referência para comparar os trabalhos
desenvolvidos. As pontuações iniciais, medidas pelas métricas do YOLO terem sido muito
baixas numa fase inicial, conseguiu-se aumentar o desempenho do modelo de classificação,
com base nos ajustes do conjunto de dados e em alguns parâmetros de treino. Este aumento no
desempenho é significativo e indica que há potencial para um maior desenvolvimento do
modelo implementado.
vi
O trabalho desenvolvido permite uma base sólida para melhoria dos algoritmos de classificação
e do protótipo de aquisição para aplicações onde não seja necessária coloração das preparações
e possa utilizado em aplicações portáteis sem a preparação laboratorial tradicional.
Description
Keywords
Aprendizagem profunda YOLO Redes neuronais convulsionais classificação Microbiologia