FreshnessScope : uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/44531 |
Resumo: | Na indústria alimentícia, a inspeção manual sempre foi parte integrante do monitoramento e controle de qualidade. Além de tedioso e lento, esse processo tem alto custo associado a longos tempos treinamentos para formar especialistas e consequentemente tem baixa escalabilidade. Há uma necessidade evidente da adoção de sistemas de inspeção que possam fornecer informações confiáveis em todo processo de produção e que possam auxiliar o especialista humano. A motivação deste estudo centra-se na segurança alimentar, nomeadamente no consumo de peixes, e objetiva a classificação automatizada do nível de frescor da carne de peixe, através da análise de parâmetros colorimétricos, análise muito utilizada na indústria de pescados, haja vista a mudança de coloração da carne de peixes em função de sua deterioração. Tendo tal motivação em vista, usando visão computacional e aprendizagem de máquina, é construída uma solução de fácil e rápida instrumentalização de amostras para classificação automatizada do frescor da carne de peixes, que apresentem mudanças em sua coloração em função de mudanças no nível do frescor, de modo a diminuir a dependência de especialistas nesta tarefa. A solução usa níveis discretos de frescor de peixes e para sua construção foram capturadas 95 amostras de carne de atum e 105 amostras de carne de salmão, que estão disponíveis em conjuntos de dados de imagens inéditos. A solução, chamada de FreshnessScope, inclui hardware e protocolo para captura de imagens das amostras da carne dos peixes, protocolo para o pré-processamento das imagens digitais capturadas, além da extração de características de cores a partir destas. As características foram usadas como recursos em modelos de classificação baseados em AM. Os classificadores otimizados, presentes na solução, são baseados em aprendizagem supervisionada, e quando usados para a tarefa de classificação do frescor de amostras de carne de atum e salmão apresentaram alto desempenho. A solução FreshnessScope mostrou-se robusta, confiável e de fácil adaptabilidade, podendo ser operada por pessoas interessadas em classificação de peixes cujo frescor pode ser determinado por observação de padrões de cores. O maior custo da solução está associado ao uso de uma câmera fotográfica de 12 MP. Palavras-chave: frescor da carne de peixes; frescor da carne do atum; frescor da carne do salmão; sistemas de visão computacional; aprendizagem de máquina. |
id |
UFPE_3da9bf4b84f9f219fe1010e1a12c57dd |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/44531 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
MEDEIROS, Erika Carloshttp://lattes.cnpq.br/6574506939749437http://lattes.cnpq.br/8513145553846486ALMEIDA, Leandro Maciel2022-05-20T17:01:17Z2022-05-20T17:01:17Z2021-12-14MEDEIROS, Erika Carlos. FreshnessScope: uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning. 2021. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2021.https://repositorio.ufpe.br/handle/123456789/44531Na indústria alimentícia, a inspeção manual sempre foi parte integrante do monitoramento e controle de qualidade. Além de tedioso e lento, esse processo tem alto custo associado a longos tempos treinamentos para formar especialistas e consequentemente tem baixa escalabilidade. Há uma necessidade evidente da adoção de sistemas de inspeção que possam fornecer informações confiáveis em todo processo de produção e que possam auxiliar o especialista humano. A motivação deste estudo centra-se na segurança alimentar, nomeadamente no consumo de peixes, e objetiva a classificação automatizada do nível de frescor da carne de peixe, através da análise de parâmetros colorimétricos, análise muito utilizada na indústria de pescados, haja vista a mudança de coloração da carne de peixes em função de sua deterioração. Tendo tal motivação em vista, usando visão computacional e aprendizagem de máquina, é construída uma solução de fácil e rápida instrumentalização de amostras para classificação automatizada do frescor da carne de peixes, que apresentem mudanças em sua coloração em função de mudanças no nível do frescor, de modo a diminuir a dependência de especialistas nesta tarefa. A solução usa níveis discretos de frescor de peixes e para sua construção foram capturadas 95 amostras de carne de atum e 105 amostras de carne de salmão, que estão disponíveis em conjuntos de dados de imagens inéditos. A solução, chamada de FreshnessScope, inclui hardware e protocolo para captura de imagens das amostras da carne dos peixes, protocolo para o pré-processamento das imagens digitais capturadas, além da extração de características de cores a partir destas. As características foram usadas como recursos em modelos de classificação baseados em AM. Os classificadores otimizados, presentes na solução, são baseados em aprendizagem supervisionada, e quando usados para a tarefa de classificação do frescor de amostras de carne de atum e salmão apresentaram alto desempenho. A solução FreshnessScope mostrou-se robusta, confiável e de fácil adaptabilidade, podendo ser operada por pessoas interessadas em classificação de peixes cujo frescor pode ser determinado por observação de padrões de cores. O maior custo da solução está associado ao uso de uma câmera fotográfica de 12 MP. Palavras-chave: frescor da carne de peixes; frescor da carne do atum; frescor da carne do salmão; sistemas de visão computacional; aprendizagem de máquina.Manual inspection has always been an integral part of quality monitoring and control in the food industry. In addition to being tedious and slow, this process has a high cost associated with long training times to train specialists and, consequently, low scalability. There is a clear need to adopt inspection systems that can provide reliable information throughout the production process and that can help the human specialist. The motivation of this study is centred on food safety, namely in fish consumption. It aims at the automated classification of the freshness level of fish meat through the analysis of colorimetric parameters, an analysis widely used in the fish industry, given the change coloration of fish meat as a function of deterioration. With this motivation, using computer vision and machine learning, a solution for easy and quick instrumentation of samples for automated classification of fish meat freshness is built, which presents changes in their color due to changes in the level of freshness, to reduce the dependence of specialists in this task. The solution uses discrete levels of fish freshness, and to build it, 95 tuna meat samples and 105 salmon meat samples were captured, which are available in unprecedented image datasets. The solution, called FreshnessScope, includes hardware and a protocol for capturing images of fish meat samples, pre-processing the captured digital images, and extracting color characteristics from them. Characteristics were used as resources in AM-based classification models. The optimized classifiers present in the solution are based on supervised learning. When used to classify the freshness of tuna and salmon meat samples, they presented high performance. The FreshnessScope solution proved to be robust, reliable and easily adaptable and can be operated by people interested in grading fish whose freshness can be determined by observing color patterns. The highest cost of the solution is associated with using a 12 MP camera.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessInteligência computacionalFrescor da carne de peixesFrescor da carne de atumFrescor da carne de salmãoSistemas de visão computacionalFreshnessScope : uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETEXTTESE Erika Carlos Medeiros.pdf.txtTESE Erika Carlos Medeiros.pdf.txtExtracted texttext/plain517254https://repositorio.ufpe.br/bitstream/123456789/44531/4/TESE%20Erika%20Carlos%20Medeiros.pdf.txt00ad39beef760dbae3c52356b52771baMD54THUMBNAILTESE Erika Carlos Medeiros.pdf.jpgTESE Erika Carlos Medeiros.pdf.jpgGenerated Thumbnailimage/jpeg1262https://repositorio.ufpe.br/bitstream/123456789/44531/5/TESE%20Erika%20Carlos%20Medeiros.pdf.jpg29c8530b8438ff29c65d192d53b2345cMD55LICENSElicense.txtlicense.txttext/plain; charset=utf-82142https://repositorio.ufpe.br/bitstream/123456789/44531/3/license.txt6928b9260b07fb2755249a5ca9903395MD53ORIGINALTESE Erika Carlos Medeiros.pdfTESE Erika Carlos Medeiros.pdfapplication/pdf6023633https://repositorio.ufpe.br/bitstream/123456789/44531/1/TESE%20Erika%20Carlos%20Medeiros.pdf6b4dfcf7395235d79ab3c8fc7d7882d5MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/44531/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52123456789/445312022-05-21 02:19:28.193oai:repositorio.ufpe.br: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ório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212022-05-21T05:19:28Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
FreshnessScope : uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning |
title |
FreshnessScope : uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning |
spellingShingle |
FreshnessScope : uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning MEDEIROS, Erika Carlos Inteligência computacional Frescor da carne de peixes Frescor da carne de atum Frescor da carne de salmão Sistemas de visão computacional |
title_short |
FreshnessScope : uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning |
title_full |
FreshnessScope : uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning |
title_fullStr |
FreshnessScope : uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning |
title_full_unstemmed |
FreshnessScope : uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning |
title_sort |
FreshnessScope : uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning |
author |
MEDEIROS, Erika Carlos |
author_facet |
MEDEIROS, Erika Carlos |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/6574506939749437 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8513145553846486 |
dc.contributor.author.fl_str_mv |
MEDEIROS, Erika Carlos |
dc.contributor.advisor1.fl_str_mv |
ALMEIDA, Leandro Maciel |
contributor_str_mv |
ALMEIDA, Leandro Maciel |
dc.subject.por.fl_str_mv |
Inteligência computacional Frescor da carne de peixes Frescor da carne de atum Frescor da carne de salmão Sistemas de visão computacional |
topic |
Inteligência computacional Frescor da carne de peixes Frescor da carne de atum Frescor da carne de salmão Sistemas de visão computacional |
description |
Na indústria alimentícia, a inspeção manual sempre foi parte integrante do monitoramento e controle de qualidade. Além de tedioso e lento, esse processo tem alto custo associado a longos tempos treinamentos para formar especialistas e consequentemente tem baixa escalabilidade. Há uma necessidade evidente da adoção de sistemas de inspeção que possam fornecer informações confiáveis em todo processo de produção e que possam auxiliar o especialista humano. A motivação deste estudo centra-se na segurança alimentar, nomeadamente no consumo de peixes, e objetiva a classificação automatizada do nível de frescor da carne de peixe, através da análise de parâmetros colorimétricos, análise muito utilizada na indústria de pescados, haja vista a mudança de coloração da carne de peixes em função de sua deterioração. Tendo tal motivação em vista, usando visão computacional e aprendizagem de máquina, é construída uma solução de fácil e rápida instrumentalização de amostras para classificação automatizada do frescor da carne de peixes, que apresentem mudanças em sua coloração em função de mudanças no nível do frescor, de modo a diminuir a dependência de especialistas nesta tarefa. A solução usa níveis discretos de frescor de peixes e para sua construção foram capturadas 95 amostras de carne de atum e 105 amostras de carne de salmão, que estão disponíveis em conjuntos de dados de imagens inéditos. A solução, chamada de FreshnessScope, inclui hardware e protocolo para captura de imagens das amostras da carne dos peixes, protocolo para o pré-processamento das imagens digitais capturadas, além da extração de características de cores a partir destas. As características foram usadas como recursos em modelos de classificação baseados em AM. Os classificadores otimizados, presentes na solução, são baseados em aprendizagem supervisionada, e quando usados para a tarefa de classificação do frescor de amostras de carne de atum e salmão apresentaram alto desempenho. A solução FreshnessScope mostrou-se robusta, confiável e de fácil adaptabilidade, podendo ser operada por pessoas interessadas em classificação de peixes cujo frescor pode ser determinado por observação de padrões de cores. O maior custo da solução está associado ao uso de uma câmera fotográfica de 12 MP. Palavras-chave: frescor da carne de peixes; frescor da carne do atum; frescor da carne do salmão; sistemas de visão computacional; aprendizagem de máquina. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-12-14 |
dc.date.accessioned.fl_str_mv |
2022-05-20T17:01:17Z |
dc.date.available.fl_str_mv |
2022-05-20T17:01:17Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
MEDEIROS, Erika Carlos. FreshnessScope: uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning. 2021. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2021. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/44531 |
identifier_str_mv |
MEDEIROS, Erika Carlos. FreshnessScope: uma solução automatizada para classificar o frescor da carne de peixes com base em visão computacional e machine learning. 2021. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Pernambuco, Recife, 2021. |
url |
https://repositorio.ufpe.br/handle/123456789/44531 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Ciencia da Computacao |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/44531/4/TESE%20Erika%20Carlos%20Medeiros.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/44531/5/TESE%20Erika%20Carlos%20Medeiros.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/44531/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/44531/1/TESE%20Erika%20Carlos%20Medeiros.pdf https://repositorio.ufpe.br/bitstream/123456789/44531/2/license_rdf |
bitstream.checksum.fl_str_mv |
00ad39beef760dbae3c52356b52771ba 29c8530b8438ff29c65d192d53b2345c 6928b9260b07fb2755249a5ca9903395 6b4dfcf7395235d79ab3c8fc7d7882d5 e39d27027a6cc9cb039ad269a5db8e34 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310817622786048 |