Keywords: classificação; imagens biomédicas; células falciformes; redes neurais convolucionais; aumento de dados; otimização bayesiana
O aumento de dados é um procedimento chave em muitas tarefas de classificação de imagens baseada em aprendizado de máquina, principalmente quando o número de imagens para o treinamento é reduzido. A maioria dos trabalhos na literatura selecionam as políticas de aumento de dados e os parâmetros associados de forma empírica. Entretanto, neste trabalho o aumento de dados é explorado como um problema de otimização. Os métodos propostos foram testados na classificação de imagens de eritrócitos (glóbulos vermelhos) obtidas por microscopia e utilizado no apoio ao diagnóstico da anemia falciforme. A anemia falciforme é uma doença hereditária causada por uma mutação genética na hemoglobina resultando na hemoglobina anormal S (HbS), fazendo com que a célula assuma uma forma irregular semelhante a uma foice. Estima-se que anualmente cerca de 300.000 crianças nascem com anemia falciforme no mundo. Neste trabalho, propõe-se uma abordagem para automatizar a seleção das melhores políticas de aumento de dados usando um algoritmo de otimização Bayesiana. Na abordagem proposta, as melhores políticas de aumento de dados são selecionadas automaticamente a partir dos próprios dados. As políticas são modeladas como variáveis de decisão e a acurácia do modelo é a função objetivo a ser maximizada. As estratégias de aumento de dados foram aplicadas para o treinamento de três arquiteturas de redes neurais convolucionais: uma nova arquitetura leve, proposta para este problema (denominada Model-A) e duas arquiteturas clássicas (LeNet-5 e AlexNet). O conjunto de imagens utilizado foi o erythrocytesIDB. A abordagem proposta seleciona um conjunto de políticas de aumento de dados que, juntamente com os parâmetros, são utilizadas para treinar os modelos. Todos os experimentos foram realizados usando validação cruzada k-fold com k = 5 e o melhor resultado foi 92,54% de acurácia considerando a arquitetura Model-A. Os resultados sugerem que a seleção de políticas de aumento de dados usando otimização supera os resultados obtidos quando não se aplica aumento de dados ou quando são aplicadas outras estratégias para seleção das políticas. Até onde se tem conhecimento este é o primeiro trabalho a aplicar otimização das políticas de aumento de dados em imagens biomédicas e abre caminho para aplicações deste método em outras áreas.
ResumosKeywords: transferência de estilo; redes neurais convolucionais; imagem multiespectral; veículo aéreo não tripulado
A agricultura de precisão é um recurso importante para o manejo e a produção agrícola moderna. Informações sobre plantações de alimentos podem ser obtidas por meio de tecnologias de imageamento, como satélites e veículos aéreos não tripulados (VANTs) que permite uma rápida tomada de decisão. Os VANTs fornecem acesso rápido e preciso a imagens multiespectrais de alta resolução de áreas de plantio. No entanto, as imagens obtidas por VANTs estão sujeitas a algum desalinhamento entre as bandas, principalmente devido ao deslocamento dos sensores, da movimentação do VANTs, entre outros fatores. Para que seja possível validar quantitativamente algoritmos para alinhamento de canais, é necessário ter imagens totalmente alinhadas. Neste trabalho, é proposto um método para gerar imagens multiespectrais artificiais totalmente alinhadas com base em imagens reais desalinhadas obtidas por um VANT. O método proposto utiliza redes neurais de transferência de estilo para gerar novas versões artificiais dos canais azul, vermelho, borda vermelha e infravermelho próximo com base no conteúdo dos canais verdes de cada imagem e o estilo dos outros canais originais. O método foi aplicado em um conjunto de dados contendo uma grande quantidade de imagens multiespectrais reais e foi gerada artificialmente uma nova imagem alinhada para cada imagem multiespectral original desalinhada. As principais contribuições deste trabalho são: a) um método simples e eficaz para criar imagens multiespectrais sintéticas orientado por dados, sem a necessidade de marcação manual de pontos; b) as imagens geradas podem ser usadas para avaliar quantitativamente os algoritmos para correção de desalinhamento entre canais (bandas) em imagens multiespectrais; c) esperamos que o método possa ser facilmente estendido para outros tipo de imagens, como imagens hiperespectrais e imagens de satélite. Os experimentos demonstram que as imagens geradas pelo método proposto apresentam canais totalmente alinhados e os novos canais se assemelham aos canais originais.
ResumosKeywords: COVID-19; raio-x; CNNs; classificação binária; classificação multiclasse
A pandemia da doença de coronavírus 2019 (COVID-19) espalhou-se rapidamente por todo o mundo e, no ano de 2021, continua a ter um impacto intenso na vida de bilhões de pessoas, provocando colapsos na saúde e na economia. O RT-PCR é um dos exames disponíveis para detecção da COVID-19 e consiste num teste biológico molecular que detecta a doença no seu início por meio de amostras oronasais. Entretanto, a indisponibilidade de kits RT-PCR, dificuldade na coleta das amostras e o tempo de espera pelos resultados ampliaram a necessidade por métodos automatizados e escaláveis. Pesquisas recentes apontam que imagens de raio-X incluem informações relevantes sobre essa doença. Além disso, o exame de radiografia possui um custo financeiro menor em comparação com outros exames, como o de tomografia. Nesse contexto, o uso de técnicas de aprendizado de máquina é uma alternativa promissora. Assim, este trabalho tem como objetivo principal identificar pneumonias causadas por COVID-19, outros tipos de pneumonia e pulmões saudáveis, utilizando apenas imagens de raio-X e redes neurais convolucionais (CNNs). Ao considerar um cenário realista, há um desequilíbrio natural entre o número de pessoas acometidas por diferentes tipos de pneumonias e é cada vez mais difícil estimar o desequilíbrio preciso entre esses números, devido ao surto de COVID-19. Diante disso, o presente trabalho explora duas estratégias de classificação: binária (COVID-19 e pneumonia) e multiclasse (COVID-19, saudável e pneumonia). Técnicas de aumento de dados e treinamento com transferência de aprendizado baseado em Shallow Fine Tunning (SFT) foram utilizadas para lidar com a questão do desequilíbrio intrínseco do problema. Foram considerados três conjuntos de imagens disponibilizados publicamente e a performance da classificação foi validada por meio da validação cruzada estratificada 10-fold. Para a classificação binária foram utilizadas 108 imagens de COVID-19 (obtidas em abril de 2020) do repositório do Dr. Joseph Cohen da Universidade de Montreal e 299 imagens de pneumonia do repositório Chest X-Ray disponível no Kaggle. Quatro arquiteturas CNNs foram comparadas: AlexNet, VGG-11, SqueezeNet e DenseNet-121. O melhor resultado foi de 99,20% de acurácia, obtido com a arquitetura SqueezeNet. Esse resultado é superior aos melhores trabalhos relatados na literatura. Entretanto, ao lidar com o problema de classificação multiclasse, o problema se torna uma tarefa ainda mais desafiadora. Para isso, as arquiteturas que alcançaram o pior e melhor índice de desempenho na classificação binária (VGG11 e SqueezeNet), foram avaliadas na classificação multiclasse, considerando 500 imagens de pulmões saudáveis e 500 imagens de pneumonia presentes no conjunto de dados ChestX-Ray8 e 180 imagens de COVID-19 do repositório do Dr. Joseph Cohen (obtidas em agosto de 2020). O melhor desempenho foi alcançado pela arquitetura VGG-11, obtendo 78,90% de acurácia. Embora a abordagem proposta não forneça um diagnóstico definitivo de COVID-19, e este não é o objetivo deste trabalho, os resultados alcançados podem ser úteis para pesquisas que envolvem diagnóstico médico auxiliado por computador. A principal contribuição deste trabalho é apontar um direcionamento promissor, embora seja evidente a necessidade de aguardar a disponibilização de mais imagens de COVID-19 para o treino de modelos mais confiáveis que ratifiquem as perspectivas de detecção demonstradas nesta pesquisa.
ResumosKeywords: avaliação de interface; avaliação heurística; PVAnet; UFV; ambiente virtual de aprendizagem; AVA; usabilidade
O Ambiente Virtual de Aprendizagem (AVA) aproxima o aluno da sala de aula de forma virtual, facilitando a experiência de ensino e aprendizagem. Essa ferramenta simula a experiência de sala para alunos e professores, e realiza uma integração entre aluno e escola/universidade, pois disponibiliza conteúdos abordados em aula, trabalhos, atividades e conteúdos extraclasse. O PVAnet é um exemplo de AVA e foi desenvolvido pela Universidade Federal de Viçosa (UFV). Ele permite que os discentes tenham acesso aos materiais oferecidos pelos docentes de seus respectivos cursos, como vídeos, apresentações e textos. A ferramenta também dispõe de meios de interação e comunicação para os usuários, como fóruns de discussão, tela de notícias, um sistema de email e um chat. A impossibilidade de aulas presenciais ocorrerem em virtude da pandemia da COVID-19, acentuou a importância do PVAnet no aprendizado dos alunos. Sendo assim, o presente trabalho abrange um estudo de caso realizado em maio de 2021 com os alunos da disciplina de Interação Humano Computador para avaliar as principais interfaces do PVAnet. O propósito do estudo é avaliar a usabilidade de cada interface, com base nas 10 heurísticas de Nielsen. A avaliação foi realizada por 33 alunos, divididos em 15 equipes, e buscou corrigir eventuais erros de usabilidade melhorando a experiência de usuário, com ênfase na satisfação do aluno. Além disso, foram avaliadas nove interfaces do PVAnet: Login, Fórum, Chat, Entrega de Tarefas, Conteúdo de Aulas, E-mail, Avaliações, Agenda e Notícias. Em cada interface avaliada os alunos deveriam encontrar erros, definir a gravidade deles em: (1) cosmético, (2) pequeno, (3) grande ou (4) catastrófico; também deveriam definir quais heurísticas foram violadas. Para cada heurística violada, os alunos deram sugestões de melhorias, sendo que a unificação do botão “Matrícula UFV” com “Outros Acessos” na tela de login foi uma das sugestões mais dadas pelas equipes. Os resultados apontam que todas as interfaces do PVAnet apresentaram erros de usabilidade, necessitando de ajustes para melhorar a experiência de usuário. Cinco das nove interfaces, apresentaram erros catastróficos em diversas telas de suas funcionalidades que devem ser corrigidos com prontidão a fim de que usuário execute suas tarefas. Foi observado pelas equipes que há interfaces que não estão disponíveis para todos os alunos, como ocorre com o Fórum e o Chat, resultando em um erro grande. Diversas interfaces apresentaram erros comuns, como o erro em que uma notificação diz ao aluno que a sessão de uso expirou, podendo ocorrer quando o PVAnet estiver aberto por muito tempo, inclusive na tela de avaliações. Além disso, a heurística mais violada (em sete interfaces) foi a de “Flexibilidade e eficiência de uso”. Isso sugere que o PVAnet não é flexível para usuários inexperientes, ou seja, usuários leigos devem se esforçar para memorizar os meios de realização de cada tarefa, e a aplicação não dispõe de informações relevantes para os mesmos cumprirem determinadas tarefas. Portanto, é indispensável que melhorias sejam feitas nas interfaces do PVAnet. As interfaces avaliadas devem ser corrigidas com o objetivo de proporcionar satisfação e flexibilidade na experiência de uso. As sugestões dadas pelos alunos incentivam trabalhos futuros para o desenvolvimento de um sistema mais diligente considerando critérios de usabilidade, de tal forma que a experiência de aprendizado neste AVA seja mais satisfatória.
ResumosKeywords: Imagens Multiespectrais; VANT; Agricultura de Precisão; Deep Learning; CNN
A agricultura é uma prática que encontra-se em constante evolução e possui diferentes formas de cultivo, servindo a várias necessidades humanas, como o alimento, matéria-prima para roupas, energia e medicamentos. Os agricultores têm, por um longo tempo, procurado maximizar a produção física e econômica das culturas, variando a aplicação de insumos de acordo com os tipos de solos e performance das culturas. Assim, a crescente utilização de recursos tecnológicos na agricultura impulsionou o que chamamos, atualmente, de Agricultura de Precisão (AP). A AP consiste, basicamente, em tratar cada região de uma determinada plantação de forma individualizada, em relação, principalmente, à aplicação de insumos agrícolas. Neste sentido, a AP tornou-se dependente de tecnologias de mapeamento e imageamento. Para a captura das imagens na AP, popularizou-se recentemente a utilização de Veículos Aéreos Não Tripulados (VANTs). Os VANTs realizam seus voos em baixas e médias altitudes, o que resulta em imagens de alta resolução das plantações. Além disso, é possível acoplar ao VANT diversos sensores, como as câmeras RGB, multi e hiperespectrais e sensores de calor. Assim, em virtude de o voo do VANT estar sujeito a variações do ambiente, bem como a natureza da aquisição das imagens, são comumente observados dois tipos de deformações entre os canais de uma imagem em sua captura, as (i) lineares e (ii) não-lineares. As deformações lineares consistem em transformações de rotação, translação, cisalhamento e escala, por exemplo; já as não-lineares possuem características variadas e sem um padrão definido. Para a correta análise das imagens na AP, é necessário que essas deformações sejam identificadas e corrigidas posteriormente. Posto isto, o presente trabalho tem como objetivo avaliar a capacidade de Redes Neurais Convolucionais (Convolutional Neural Networks em inglês - CNNs) de identificar a presença de deformações não-lineares entre os canais de uma imagem multiespectral obtida por VANTs na AP. Para tanto, pretende-se, a partir de dois conjuntos de dados, contendo imagens de culturas diferentes (soja e algodão): (i) inserir artificialmente deformações não-lineares em cada uma das bandas das imagens; (ii) propor uma arquitetura baseada em CNN que seja capaz de identificar quanto a presença (ou não) de deformações nas imagens consideradas; (iii) comparar os resultados da arquitetura proposta com CNNs tradicionais (e.g., SqueezeNet, ResNet, VGG-16) para o problema em questão; e (iv) avaliar quantitativamente a capacidade das CNNs de solucionar o referido problema. Deste modo, a posse da informação acerca da presença (ou não) desse tipo de deformação entre os canais irá fomentar e contribuir para o processo seguinte de correção das deformações.
ResumosKeywords: Agricultura de Precisão; Imagens Multiespectrais; Veículos Aéreos Não Tripulados
A partir de meados do século XX, a agricultura passou por diversas modernizações. Tais modernizações se deram, principalmente, na inserção de tecnologias para auxiliar a produção e a colheita nas lavouras. Tal inserção tecnológica possibilitou à humanidade produzir alimentos em larga escala. Atualmente, estamos vivenciando a chamada terceira revolução agrícola, a qual podemos resumi-la no termo Agricultura de Precisão (AP). A AP, basicamente, consiste em tratar cada área pertencente a uma determinada cultura plantada de forma independente, levando em consideração aspectos como, por exemplo: presença de plantas infestantes, estresse hídrico ou de nitrogênio. Neste sentido, a AP é amplamente dependente de tecnologias de mapeamento e imageamento. Tais imagens podem ser obtidas por satélites e, especialmente, por Veículos Aéreos Não Tripulados (VANTs). A utilização de VANTs na AP tem se popularizado em virtude do VANT realizar voos de baixa e média altitude, o que possibilita uma visão detalhada da área a ser analisada, além ser possível acoplar diversos sensores ao VANT, sendo cada um desses sensores responsável por obter uma informação diferente de uma mesma área. Por outro lado, devido principalmente à natureza do voo do VANT, as imagens multiespectrais obtidas comumente encontram-se desalinhadas entre os seus respectivos canais. Deste modo, para correta análise das imagens da área plantada e consequente correta tomada de decisões na AP, é necessário que essas imagens estejam com as bandas alinhadas. Neste sentido, o presente trabalho propõe o alinhamento de uma base de dados com imagens multiespectrais obtidas por VANTs na AP em uma cultura de cana-de-açúcar. O referido dataset possui imagens com cinco bandas: Azul, Verde, Vermelho, Infravermelho Próximo e Borda do Vermelho. Para realizarmos o alinhamento, iremos considerar a banda Verde como “fixa” e posteriormente alinhar as demais em direção a esta banda. Para tanto, iremos selecionar manualmente 12 pontos de controle na banda denominada “fixa” e, a posteriori, encontrar os mesmos 12 pontos correspondentes nas outras bandas. De posse desses pontos é possível realizar computacionalmente o alinhamento entre as bandas de cada imagem. Por fim, espera-se que, com a realização desse alinhamento, seja possível analisar e extrair índices da área plantada com maior precisão. Além disso, a construção dessa base de dados alinhada poderá auxiliar futuras pesquisas que demandam esse tipo de base de conhecimento, como, por exemplo, aquelas que envolvam algoritmos de aprendizado de máquina.
ResumosKeywords: Android; Transporte compartilhado; Aplicativo móvel
Problemas relacionados com a mobilidade urbana estão cada vez mais presentes em nossas rotinas, especialmente nos grandes conglomerados urbanos. Entretanto, com a crescente da tecnologia, em especial a internet, diversos aplicativos de transporte compartilhado têm se tornado populares e de extrema utilidade para o problema em questão. A cidade de Rio Paranaíba, embora seja pequena, com aproximadamente 12 mil habitantes, possui uma realidade diferente de outras cidades de seu porte: o Campus da Universidade Federal de Viçosa (UFV), o qual possui cerca de 2 mil alunos e 400 servidores. O Campus da UFV situa-se a 3 quilômetros de distância do centro de Rio Paranaíba, o que gera a necessidade de diversos deslocamentos da comunidade acadêmica para suas atividades. Nesse sentido, o presente trabalho objetiva desenvolver um aplicativo mobile, a ser executado na plataforma Android, que auxilie os membros da comunidade acadêmica de Rio Paranaíba na utilização de transporte compartilhado em seus deslocamentos, sejam esses curtos ou longos. Para a construção da aplicação, propomos, inicialmente, um questionário a ser respondido por membros da comunidade acadêmica de Rio Paranaíba, o qual auxilia a evidenciar as necessidades da referida comunidade acerca de problemas de mobilidade urbana. O referido questionário possui sete questões objetivas e foi respondido por 28 pessoas pertencentes à comunidade acadêmica. De posse das respostas ao questionário, foi elaborado um documento contendo Requisitos Funcionais, Não-Funcionais e Regras de Negócio da futura aplicação. A partir do documento de Requisitos, construímos os modelos do sistema, através de diagramas Unified Modeling Language (UML), os quais fomentam a compreensão e posterior implementação da aplicação. Posteriormente, o CaronasRP foi implementado utilizando a linguagem de programação Java e a plataforma Firebase. Por fim, espera-se ainda avaliar quantitativamente a aplicação, através de testes de aceitação, sob a perspectiva de usuários finais.
ResumosKeywords: anemia falciforme; classificação; aprendizado profundo; extração de características
Anemia falciforme é uma doença que altera o formato dos eritrócitos, células responsáveis pelo transporte de oxigênio no corpo humano e pode ser identificada por meio da análise microscópica das células. A computação aplicada na medicina permite mais eficiência e menor custo no diagnóstico e no tratamento de doenças. Dessa forma, este trabalho tem como objetivo aplicar técnicas de visão computacional para classificar doença falciforme em imagens de microscopia utilizando os algoritmos SVM e Naive Bayes, a partir de características extraídas por três Redes Neurais Convolucionais (CNNs): ResNet, DenseNete MobileNet. Foram realizados experimentos para comparar a performance de cada CNN como extrator de características e como classificador. Além disso, foi analisado o impacto das imagens segmentadas na classificação. Todos os experimentos foram validados por meio da validação cruzada 5-foldnos conjuntos de treinamento e teste. Os resultados apontam que utilizar as imagens de eritrócitos segmentados e as características extraídas das CNNs com SVM linear tende a ser a melhor estratégia quando o custo computacional é importante, alcançando 96,80% de acurácia.
ResumosÍris Fabiana de Barcelos Tronto
João Fernando Mari
Contato: joaof.mari@ufv.br