Publication
Automatic identification of microorganisms in microscopic imaging
| datacite.subject.fos | Engenharia e Tecnologia | pt_PT |
| dc.contributor.advisor | Correia, Pedro Daniel Frazão | |
| dc.contributor.advisor | Barros, Manuel Fernando Martins de | |
| dc.contributor.author | Marques, Telmo Alexandre Pires | |
| dc.date.accessioned | 2024-02-19T16:22:48Z | |
| dc.date.available | 2024-02-19T16:22:48Z | |
| dc.date.issued | 2023-11 | |
| dc.date.submitted | 2023-11 | |
| dc.description.abstract | 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. | pt_PT |
| dc.identifier.tid | 203501322 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.26/49910 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Aprendizagem profunda | pt_PT |
| dc.subject | YOLO | pt_PT |
| dc.subject | Redes neuronais convulsionais | pt_PT |
| dc.subject | classificação | pt_PT |
| dc.subject | Microbiologia | pt_PT |
| dc.title | Automatic identification of microorganisms in microscopic imaging | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.grantor | Instituto Politécnico de Tomar | |
| thesis.degree.name | Mestrado em Engenharia Electroténica | pt_PT |