Identificação de viabilidade de leveduras com corante vital utilizando histogramas de palavras visuais em imagens coloridas

• Ano de defesa: 2015
• Autor(a) principal: Souza, Junior Silva
• Orientador(a): Pistori, Hemerson, Gonçalves, Wesley Nunes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Leveduras; Etanol; Software; Algorítmos; Yeasts; Ethanol; Algorithms
• Link de acesso: https://repositorio.ufms.br/handle/123456789/2171

Neste trabalho é apresentado um sistema para automatizar o processo de identificação de leveduras viáveis que são importantes na produção do etanol. A produção do etanol depende das leveduras viáveis, responsáveis pelo processo de fermentação do caldo da cana. Esta fermentação transforma o caldo da cana em etanol e gás carbônico. Portanto, manter um controle da população das leveduras viáveis é uma tarefa crucial no processo de produção do etanol, e para isto, são feitas análises para identificar e contar as leveduras. Apesar da importância dessa etapa, a identificação e contagem é feita por visão humana em um microscópio, sendo uma tarefa repetitiva e suscetível a erros. Neste trabalho, técnicas de visão computacional e aprendizagem supervisionada foram avaliadas para automatizar a identificação destas leveduras. A principal técnica de visão computacional estudada foi o histograma de palavras visuais (Bag-of-Visual-Words), que é aplicado em imagens em tons de cinza. Além desta técnica utilizamos variantes que adicionam a informação de cor, como: CCV (Color Coherence Vectors), CM (Color Moments), BoC (Bagof-Color) e o OpC (Opponent Color). Os atributos extraídos através destes algoritmos e suas variantes, foram utilizados para o teste e treinamento dos classificadores obtidos de técnicas de aprendizagem supervisionada. Entre as técnicas, utilizamos o Naive Bayes, KNN, J48 e SVM que estão disponíveis no ambiente Weka. A avaliação de desempenho, por meio da porcentagem de classificação correta, foi realizada através dos testes de hipótese ANOVA e Friedman. Foi utilizado o banco de imagens do projeto BioViC1 que foi proposto para a identificação de leveduras. Este banco possui um conjunto de imagens de leveduras capturadas em laboratório através de microscópio. A câmera de Neubauer foi utilizada para auxiliar a contagem das leveduras, de modo que, 6 repetições com 4 quadrantes nas concentrações de Brix 3, 6 e 12 foram definidas para análise. As imagens obtidas com Brix 03 foram recortadas separando as imagens das leveduras viáveis, inviáveis e também o fundo que corresponde toda região que não possui leveduras viáveis ou inviáveis. O total de imagens obtidas e separadas em três classes (viável, inviável e fundo da imagem) foram 2614, utilizadas para o treinamento e identificação. Os resultados foram analisados através do software R, que na análise de variância ANOVA apresentou um valor-p igual a 2e −16 indicando uma diferença significativa entre as técnicas utilizadas, descartando a hipótese nula. A técnica OpC com o classificador SMO apresentou o maior desempenho, em torno de 95% em relação a outras técnicas analisadas. Na validação do software BioViC a técnica detecção de contornos em conjunto com a técnica SMOOpC apresentaram uma contagem de leveduras que não diferenciou da contagem manual realizada por um especialista.