News News

Back

Pós-Graduação em Ciência da Computação da UFPE promove defesa de tese

Defesa da aluna Erika Carlos Medeiros ocorrerá na próxima terça-feira (14), às 8h

O Programa de Pós-Graduação em Ciência da Computação (PPGCI) da UFPE promove defesa de tese de doutorado da aluna Erika Carlos Medeiros. A apresentação ocorrerá na próxima terça-feira (14), às 8h, de forma virtual. Interessados em assistir devem entrar em contato com a aluna, através do e-mail ecm4@cin.ufpe.br, para receber o link de acesso da defesa.

Com o título, “FreshnessScope: Uma Solução Automatizada para Classificar o Frescor da Carne de Peixes com Base em Visão Computacional e Machine Learning”, a tese possui orientação do professor Leandro Maciel Almeida e coorientação do professor José Gilson de Almeida Teixeira Filho, do Departamento de Ciências Administrativas da UFPE. A banca examinadora conta com a participação dos professores Cleber Zanchettin e Fernando Neto (ambos do Centro de Informática da UFPE), Frederico de Menezes ( Departamento de Ciência da Computação da IFPE), André Nascimento (Departamento de Computação da UFRPE) e João Oliveira (Escola Politécnica da UPE).

Resumo

Na indústria alimentícia, a inspeção manual sempre foi parte integrante do monitoramento e controle de qualidade. Além de tedioso e caro, esse processo pode ser afetado por fatores que induzem a resultados de avaliação subjetivos e inconsistentes. Devido às inconsistências associadas aos erros humanos, há uma necessidade evidente da adoção de sistemas de inspeção precisos que possam fornecer informações confiáveis em todo processo de produção. A motivação deste estudo centra-se na segurança alimentar, nomeadamente no consumo de peixes, e objetiva a classificação imparcial do nível de frescor da carne de peixe, através da análise de parâmetros colorimétricos. Tendo tal motivação em vista, usando visão computacional e Machine Learning, é construída uma solução escalável, de baixo custo, robusta, não invasiva e não destrutiva, para classificação automatizada do frescor da carne de peixes, que apresentem mudanças em sua coloração em função de mudanças no nível do frescor. A solução, chamada de FreshnessScope, inclui a hardware e protocolo para captura de imagens das amostras da carne dos peixes, além da proposição de características de cores extraídas das imagens das amostras, usando os espaços de cores RGB, HSV, HSI e L*a*b*. As características de cores foram usadas como recursos em modelos de classificação baseados em Machine Learning. Para a construção da solução foram usadas amostras de carne de atum e amostras de carne de salmão. Foram testados 37 pipelines combinando técnicas de pré-processamento para dimensionamento dos dados, de pré-processamento de características, de balanceamento de classes e classificadores. Foram usados os testes estatísticos de Friedman e Nemenyi para identificar os modelos de maior desempenho e que apresentaram diferenças estatísticas significativas em seus desempenhos. Os modelos de ML identificados como ideais para classificação do frescor da carne tanto do atum como do salmão, apresentaram resultados próximos de 100% de assertividade. A solução FreshnessScope mostrou-se ser não invasiva, rápida, barata, com desempenho próximo de 100%, e sobretudo escalável para outros contextos.

Date of last modification: 10/12/2021, 16:16