Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 536
Aluno: Erika Carlos Medeiros
Orientador: Prof. Leandro Maciel Almeida
Coorientador: Prof. José Gilson de Almeida Teixeira Filho (UFPE/Depto. de Ciências Administrativas)
Título: FreshnessScope: Uma Solução Automatizada para Classificar o Frescor
da Carne de Peixes com Base em Visão Computacional e Machine Learning
Data: 14/12/2021
Hora/Local: 8h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
Prof. Fernando Maciano de Paula Neto (UFPE / Centro de Informática)
Prof. Frederico Duarte de Menezes (IFPE / Departamento de Ciência da Computação)
Prof. André Câmara Alves do Nascimento (UFRPE / Departamento de Computação)
Prof. João Fausto Lorenzato de Oliveira (UPE / Escola Politécnica de PE)
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 trinta e sete pipelines combinando técnicas de préprocessamento
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.
Palavras-chave: Frescor da carne de peixes; Frescor da carne do atum;
Frescor da carne do salmão; Sistemas de Visão Computacional; Machine
Learning.
Comentários desativados