Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/32470
Full metadata record
DC FieldValueLanguage
dc.creatorGeus, André Reis de-
dc.date.accessioned2021-07-15T16:54:40Z-
dc.date.available2021-07-15T16:54:40Z-
dc.date.issued2021-05-19-
dc.identifier.citationGEUS, 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. DOI http://doi.org/10.14393/ufu.te.2021.280pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/32470-
dc.description.abstractPollen, 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.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectClassificaçãopt_BR
dc.subjectDeep Learningpt_BR
dc.subjectImagens microscópicaspt_BR
dc.subjectPólenpt_BR
dc.subjectMadeirapt_BR
dc.subjectVíruspt_BR
dc.subjectClassificationpt_BR
dc.subjectMicroscopic imagespt_BR
dc.subjectPollenpt_BR
dc.subjectWoodpt_BR
dc.subjectViruspt_BR
dc.titleDeep learning aplicado à inspeção visual de madeira, pólen e víruspt_BR
dc.title.alternativeDeep learning applied to visual inspection of wood, pollen and viruspt_BR
dc.typeTesept_BR
dc.contributor.advisor-co1Backes, André Ricardo-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/8590140337571249pt_BR
dc.contributor.advisor1Souza, Jefferson Rodrigo de-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1805897404307170pt_BR
dc.contributor.referee1Nascimento, Marcelo Zanchetta do-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5800175874658088pt_BR
dc.contributor.referee2Travençolo, Bruno Augusto Nassif-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/2590427557264952pt_BR
dc.contributor.referee3Bianchi, Andrea Gomes Campos-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/0251364589832974pt_BR
dc.contributor.referee4Jung, Claudio Rosito-
dc.contributor.referee4Latteshttp://lattes.cnpq.br/1538338871689655pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/7660837905331176pt_BR
dc.description.degreenameTese (Doutorado)pt_BR
dc.description.resumoO 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.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computaçãopt_BR
dc.sizeorduration92pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.identifier.doihttp://doi.org/10.14393/ufu.te.2021.280pt_BR
dc.orcid.putcode97065280-
dc.crossref.doibatchid69dde809-677a-4149-b520-da7b54902e26-
dc.subject.autorizadoMadeirapt_BR
dc.subject.autorizadoVíruspt_BR
dc.subject.autorizadoPólenpt_BR
dc.subject.autorizadoImagens microscópicaspt_BR
Appears in Collections:TESE - Ciência da Computação

Files in This Item:
File Description SizeFormat 
DeepLearningAplicado.pdfTese19.98 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons