Uso de aprendizado de máquina para classificação de leite adulterado

ID: 
6014
Sala virtual: 
https://us02web.zoom.us/j/81063858445?pwd=VFpSZkNMUk9FY2dpWUJnbXFCZWJrUT09
Vídeo: 
https://peertube.td.utfpr.edu.br/videos/watch/e2c59498-df5a-4d5b-b219-ad161565ba3d
Resumo: 
A aplicação de Aprendizado de Máquina em diversas tarefas, nos últimos anos, se tornouum método muito popular para resolução de problemas. Por isso, escolheu-se empregartais métodos para a classificação de imagens de leite puro, adulterados com adição de 5%e 10% de água em sua composição. Foram utilizados algoritmos genéticos, Genetic Searche MultiObjective Evolutionary Search, para o pré-processamento dos dados e osalgoritmos Random Forest e Multilayer Perceptron, dois classificadores muito renomados, para a classificação das imagens. A configuração contendo os melhores atributosselecionados pelo Genetic Search e classificados pelo Multilayer Perceptron obtiveram omelhor resultado, com 91,7% de acurácia e 22 amostras, das 24 totais, classificadascorretamente.
Autor(es): 
Pedro Vinicius
Yamamoto
Agner de Faria
Universidade Tecnológica Federal do Paraná, Pato Branco, Paraná, Brasil
pedroviniciusyama@gmail.com
Departamento de Química UTFPR, Pato Branco, PR.Áreas: visão computacional, quimiometria
Vanderlei
Aparecido
de Lima
Universidade Tecnológica Federal do Paraná, Pato Branco, Paraná, Brasil
valima@utfpr.edu.br
Possui graduação em Química pela Universidade Estadual de Londrina (1990), mestrado em Biologia Celular e Molecular pelo Centro de Biotecnologia do Estado do Rio Grande do Sul (2003) e doutorado em Engenharia Química pela Universidade Federal de São Carlos (2010). Atualmente é professor efetivo do departamento de química da Universidade Tecnológica Federal do Paraná UTFPR. Tem experiência na área de Química, com ênfase em fluorescência da clorofila a e quimiometria. Possui experiência em delineamento experimental, delineamento composto central rotacional, metodologia de superfície de resposta, estatística uni e multivariada, bem como, em análises de dados por modelos lineares generalizados (MLG).
Modalidade: 
Química e Materiais
Data: 
23/11/2020
Hora: 
13:30