Detalhes bibliográficos
Ano de defesa: |
2019 |
Autor(a) principal: |
Dourado Junior, Carlos Mauricio Jaborandy de Mattos |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Tese
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Não Informado pela instituição
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/118564
|
Resumo: |
Sistemas desenvolvidos para trabalhar com inteligência computacional tornaram-se muito eficientes e, em alguns casos, obtêm resultados mais precisos do que as avaliações feitas por seres humanos. O mesmo pode ser dito dos sistemas de processamento de imagens que têm um imenso potencial para fornecer dados para profissionais da área médica. Este trabalho propõe uma nova abordagem baseada em ferramentas de Deep Learning utilizando Convolutional Neural Networks (CNN) de acordo com o conceito de Transfer Learning para gerar um framework de inteligência computacional para uso com dispositivos IoT. Em conjunto, o uso destas tecnologias permite criar uma rede social de aprendizado de máquina profundo, permitindo diversos pontos de uso destas soluções colaborarem na construção do aprendizado de métodos de Inteligência Artificial de forma colaborativa e centralizada. A estrutura permite que usuários adicionem suas imagens e realize o treinamento de plataforma quase tão facilmente quanto a criação de pastas e a colocação de arquivos em serviços regulares de armazenamento em nuvem. Além disto, diversos usuários podem interagir em um projeto, adicionando exemplos e usando a ferramenta desenvolvida de forma colaborativa. Para avaliar o sistema, testes foram realizados com 5(cinco) bases de dados, sendo 3(três) de imagens de exames médicos, mais especificamente nódulos pulmonares, acidente vascular cerebral (AVC) e melanoma, e outras 2(duas) de processos industriais, avaliação de couro de cabra e localização de robôs. Nos testes de imagens médicas foi obtida precisão de 100% nas avaliações dos exames de AVC, com a utilização do algoritmo VGG16 combinado ao k-Nearest Neighbour, para o caso dos melanomas a precisão foi de 94% e tempo de processamento de apenas 0,03s, e finalmente para a avaliação dos nódulos pulmonares, o sistema obteve os resultados mais modestos, para o conjunto de bases médicas, tendo obtido a precisão de 89,1%, mesmo assim um resultado muito bom, superior a taxa de acerto de muitos profissionais com boa experiência. No caso das bases industriais foram obtidas precisão de 98,7% para a localização de robôs 82,9% para a avaliação do couro de cabra, resultado muito bons considerados estudos correlatos, o que demonstra a eficácia da aplicação. Do ponto de vista da usabilidade, a proposta deste trabalho mostrou que mesmo pessoas sem conhecimentos de programação e processamento de imagens puderam montar projetos em poucos minutos, o que demonstra a imensa contribuição que esse trabalho pode trazer, inclusive em auxiliar os profissionais médicos na análise de exames complexos mais rapidamente e com precisão. O princípio de uma rede social para aprendizado de máquina profundo permite a construção e definição do problema de forma mais realista e prática, permitindo um aumento da confiabilidade da solução desenvolvida, não apenas de forma técnica com avaliação científica, mas de mercado gerando a solução já no ato do projeto desenvolvido, bem como minimiza o problema de ter variabilidade de imagens significativa para avaliação e solução do problema, visto que o principio da rede social corrobora para esta solução. Palavras-Chaves: Internet das Coisas, Processamento de Imagens, Rede Social |