Navegando por Assunto "Aprendizado profundo"

Agora exibindo 1 - 6 de 6

Acesso aberto (Open Access)
Classificação de regiões de desmatamento via imagens do satélite landsat no nordeste do Pará
(Universidade Federal do Pará, 2023-12-18) CANAVIEIRA, Luena Ossana; COSTA, João Crisóstomo Weyl Albuquerque; http://lattes.cnpq.br/9622051867672434
Acesso aberto (Open Access)
Deep learning in education 5.0: proposing 3d geometric shapes classification model to improve learning on a metaverse application
(Universidade Federal do Pará, 2024-01-18) SANTOS, Adriano Madureira dos; SERUFFO, Marcos César da Rocha; http://lattes.cnpq.br/3794198610723464; https://orcid.org/0000-0002-8106-0560
O sistema educacional brasileiro enfrenta desafios significativos, conforme evidenciado pelos baixos índices de avaliação do desenvolvimento educacional. Devido ao modelo educacional tradicional empregado no país, há dificuldades na transmissão efetiva de conteúdos complexos, levando a altos índices de fracasso escolar e consequente evasão escolar. A falta de inovação, especialmente em ambientes de educação básica, contribui para um cenário de baixa proficiência matemática entre os estudantes brasileiros. Neste contexto, este trabalho surge como resultado de uma inovação desenvolvida para aprimorar a aplicação Geometa, desenvolvida pela empresa Inteceleri, através da integração das tecnologias de Metaverso e Inteligência Artificial para criar um ambiente educacional imersivo e interativo. A intenção é refinar a Inteligência Artificial para o reconhecimento de formas geométricas tridimensionais em tempo real a partir de imagens de objetos reais. A proposta visa mitigar desafios enfrentados no ensino básico de matemática no Brasil por meio da adoção de abordagens tecnológicas inovadoras alinhadas à Educação 5.0, que possam ser replicadas para tecnologias similares envolvendo o Metaverso. Além disso, pretende-se também criar um ambiente educativo dinâmico e sustentável que não só facilite a compreensão de conceitos matemáticos, mas também promova a participação ativa dos alunos, incentivando a sua criatividade e autonomia no processo de aprendizagem. O método utilizado baseia-se na reclassificação de imagens do conjunto de dados ObjectNet de objetos para formas geométricas tridimensionais. As imagens reclassificadas são usadas para treinar os modelos CNN, MobileNet, ResNet, ResNeXt, ViT e BEiT de Aprendizado Profundo, os quais são posteriormente avaliados por meio de medidas de desempenho de Aprendizado de Máquina, tempo de inferência e dimensão. Por fim, o modelo de Inteligência Artificial de melhor desempenho é selecionado para futura integração no Geometa. Como contribuições deste trabalho foram realizados: (i) os modelos definidos foram treinados para o reconhecimento de formas geométricas tridimensionais; (ii) os modelos foram avaliados por meio de medidas de desempenho de Aprendizado de Máquina, tempo de inferência e dimensão; e (iii) o modelo de melhor desempenho foi selecionado considerando a maior assertividade e suavidade com base na análise de desempenho dos modelos. Quanto aos resultados obtidos, o ResNet superou o BEiT, modelo com o segundo melhor desempenho, em 5% de Precisão e 5 Inferência por Segundo. Por fim, o modelo ResNet atingiu 84% de Precisão e 9 Inferências por Segundo, sendo apontado como a Inteligência Artificial de melhor desempenho para fluxo de integração com a aplicação Geometa.
Acesso aberto (Open Access)
Detecção de erosão em taludes baseada em deep learning
(Universidade Federal do Pará, 2023-03-31) LIMÃO, Caio Henrique Esquina; FRANCÊS, Carlos Renato Lisboa; http://lattes.cnpq.br/7458287841862567
As recentes catástrofes desencadeadas pelo rompimento das barragens de Fundão e Córrego do Feijão causaram cerca de 300 mortes e inúmeros danos socioambientais irreparáveis. Visto que a utilização de sistemas de monitoramento mais precisos e a realização adequada de manutenções preventivas e corretivas permitiriam identificar, e até amenizar, os danos causados à sociedade, pode-se constatar que há necessidade de maior investimento e incentivo à criação de soluções de Monitoramento da Integridade Estrutural (SHM) capazes de diagnosticar ocorrências que comprometem as principais estruturas civis, como pontes, barragens e taludes. As técnicas de Inteligência Artificial (IA) de alto desempenho têm sido capazes de resolver estes problemas de análise estrutural e apresentado resultados superiores às soluções anteriores, sua utilização têm aumentado drasticamente nos mais diversos cenários de SHM. Quando se trata de soluções de análise e classificação de imagens, a Rede Neural Convolucional (CNN) é o tipo de rede neural que apresenta os melhores resultados. Logo, esta dissertação irá descrever o processo de desenvolvimento de uma CNN com três camadas de convolução que combina a utilização das tecnologias mais consolidadas no atual cenário de visão computacional, tais como o otimizador Adam e a normalização em lotes. A CNN proposta foi treinada com uma base de dados montada especificamente para esta dissertação, sendo composta por imagens de relatórios públicos de obras do governo brasileiro, portifólios de empresas que trabalham com construção e manutenção de taludes e reportagens sobre deslizamentos e/ou catástrofes. Estas imagens foram rotuladas, de acordo com o contexto de cada uma delas, como taludes estáveis ou não. Os resultados obtidos foram bastante satisfatórios, apresentando uma acurácia de 96,67% e provando que esta solução é capaz de identificar de maneira precisa e aprimorada os indicadores de instabilidade apresentados pelos taludes analisados, permitindo um planejamento mais adequado das manutenções para cada caso, na prevenção de possíveis desastres, gestão mais eficiente da mão de obra, redução de custos, maior segurança e saúde estrutural para garantir sua integridade a longo prazo.
Acesso aberto (Open Access)
Machine learning algorithms for damage detection in structures under changing normal conditions
(Universidade Federal do Pará, 2017-01-31) SILVA, Moisés Felipe Mello da; SALES JÚNIOR, Claudomiro de Souza de; http://lattes.cnpq.br/4742268936279649; COSTA, João Crisóstomo Weyl Albuquerque; http://lattes.cnpq.br/9622051867672434
Estruturas de engenharia têm desempenhado um papel importante para o desenvolvimento das sociedades no decorrer dos anos. A adequada gerência e manutenção de tais estruturas requer abordagens automatizadas para o monitoramento de integridade estrutural (SHM) no intuito de analisar a real condição dessas estruturas. Infelizmente, variações normais na dinâmica estrutural, causadas por efeitos operacionais e ambientais, podem ocultar a existência de um dano. Em SHM, normalização de dados é frequentemente referido como o processo de filtragem dos efeitos normais com objetivo de permitir uma avaliação adequada da integridade estrutural. Neste contexto, as abordagens baseadas em análise de componentes principais e agrupamento de dados têm sido empregadas com sucesso na modelagem dessas condições variadas, ainda que efeitos normais severos imponham alto grau de dificuldade para a detecção de danos. Contudo, essas abordagens tradicionais possuem limitações sérias quanto ao seu emprego em campanhas reais de monitoramento, principalmente devido as restrições existentes quanto a distribuição dos dados e a definição de parâmetros, bem como os diversos problemas relacionados a normalização dos efeitos normais. Este trabalho objetiva aplicar redes neurais de aprendizado profundo e propor um novo método de agrupamento aglomerativo para a normalização de dados e detecção de danos com o objetivo de superar as limitações impostas pelos métodos tradicionais. No contexto das redes neurais profundas, o emprego de novos métodos de treinamento permite alcançar modelos com maior poder de generalização. Em contrapartida, o novo algoritmo de agrupamento não requer qualquer parâmetro de entrada e não realiza asserções quanto a distribuição dos dados, permitindo um amplo dominínio de aplicações. A superioridade das abordagens propostas sobre as disponíveis na literatura é atestada utilizando conjuntos de dados oriundos de dois sistemas de monitoramento instalados em duas pontes distintas: a ponte Z-24 e a ponte Tamar. Ambas as técnicas revelaram um melhor desempenho de normalização dos dados e classificação do que os métodos tradicionais, em termos de falsas-positivas e falsas-negativas indicações de dano, o que sugere a aplicabilidade dos métodos em cenários reais de monitoramento de integridade estrutural.
Acesso aberto (Open Access)
Metodologia para a classificação automática de doenças em plantas utilizando redes neurais convolucionais.
(Universidade Federal do Pará, 2019-11-07) REZENDE, Vanessa Castro; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318; SANTOS, Adam Dreyton Ferreira dos; http://lattes.cnpq.br/2616572481839756
As redes neurais convolucionais (CNNs) são uma das técnicas de aprendizado profundo que, devido ao avanço computacional dos últimos anos, alavancaram a área de visão computacional ao possibilitar ganhos substanciais nos mais variados problemas de classificação, principalmente aqueles que envolvem imagens digitais. Tendo em vista as vantagens na utilização dessas redes, diversas aplicações para a identificação automática de doenças de plantas foram desenvolvidas para assistência especializada ou ferramentas de triagem automática, contribuindo para práticas agrícolas mais sustentáveis e maior segurança na produção de alimentos. Nesse contexto, este trabalho tem como objetivo propor uma metodologia para a classificação de múltiplas patologias referentes a diversas espécies de plantas tendo como insumo uma base de dados composta de imagens digitais de doenças em plantas. Inicialmente, esta metodologia envolveu etapas de tratamento das imagens da base de dados de doenças em plantas para possibilitar que estivessem aptas a serem entradas dos modelos de CNNs selecionados (VGG16, RestNet101v1, ResNet101v2, ResNetXt50 e DenseNet169), assim como para geração de dez novas bases, variando entre 50 e 66 classes com maior representatividade, com o intuito de submeter os modelos a situações diversas. Após o treinamento dos modelos, um estudo comparativo foi conduzido com base em métricas de classificação amplamente utilizadas, como acurácia no teste, f1-score e área sob a curva. A fim de atestar a significância dos resultados obtidos, foi realizado o teste estatístico não-paramétrico de Friedman e dois procedimentos post-hoc, que demonstraram que ResNetXt50 e DenseNet169 obtiveram resultados superiores quando comparadas com VGG16 e ResNets.
Acesso aberto (Open Access)
Redes neurais convolucionais aplicadas à inspeção de componentes do vagão ferroviário
(Universidade Federal do Pará, 2020-02-03) ROCHA, Rafael de Lima; GOMES, Ana Claudia da Silva; http://lattes.cnpq.br/9898138854277399; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928
O vagão ferroviário é um dos patrimônios mais importantes em uma empresa mineradora, onde toneladas de minério são transportados por este diariamente, além disso, o vagão ferroviário pode ser utilizado para o transporte de pessoas. Por isso, a inspeção de defeitos em componentes estruturais do vagão ferroviário é uma atividade de suma importância, possibilitando evitar problemas na logística da ferrovia, assim como prevenir acidentes. A tarefa de inspeção é realizada visualmente por um técnico operacional que está exposto a acidentes no local em que a inspeção é realizada, além da possibilidade de erro humano devido ao estresse, fadiga e outros. O pad é componente ferroviário analisado neste trabalho, onde este é responsável pela suspensão primária, papel que é importante na dinâmica dos vagões. Assim, o intuito deste trabalho é utilizar técnicas de aprendizado profundo, especificamente redes neurais convolucionais (CNN) para a realização da inspeção do componente. A CNN classifica a imagem do componente estrutural analisado em relação aos possíveis estados em que ele se encontra na ferrovia, pad ausente, pad não danificado e pad danificado. Além disso, pretende-se investigar a contribuição da imagem do componente no domínio da frequência obtida através da magnitude e fase da transformada discreta de Fourier (DFT) da imagem original (domínio espacial) no processo de classificação da CNN. As técnicas de equalização de histograma e o aumento do número de imagens através do data augmentation também são examinadas, de modo a avaliar suas colaborações na melhoria no desempenho de classificação. Os resultados da inspeção do pad por CNN demonstram-se bastante inspiradores, em especial quando é utilizada a imagem espacial do componente em conjunto da imagem da magnitude da DFT da imagem de origem como entradas da CNN, que se demonstram superiores quando é utilizada somente a imagem original (espacial) do componente, atingindo uma acurácia de classificação de 95,65%. Em especial, o método que utiliza o aumento do número de imagens de treinamento pelo data augmentation e as imagens do domínio espacial e da frequência (magnitude) é o que alcança a maior acurácia, com 97,47%, que representa aproximadamente 385,5 imagens classificadas corretamente de um total de 395,2 imagens.