Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/6831
Título: Desenvolvimento de modelo para reconhecimento e classificação por imagem de tipos de flocos formadores do lodo biológico utilizando rede neural convolucional - CNN.
Autor(es): Moreira, José Márcio Quintão
Orientador(es): Leite, Harlei Miguel de Arruda
Membros da banca: Leite, Harlei Miguel de Arruda
Haddad, Matheus Nohra
Solimani, Luciana Cerqueira Souza
Palavras-chave: Aprendizado do computador
Classificação
Inteligência artificial
Lodo - controle de qualidade
Modelos matemáticos
Data do documento: 2024
Referência: MOREIRA, José Márcio Quintão. Desenvolvimento de modelo para reconhecimento e classificação por imagem de tipos de flocos formadores do lodo biológico utilizando rede neural convolucional - CNN. 2024. 34 f. Monografia (Especialização em Ciências de Dados) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2024.
Resumo: Este estudo apresenta modelos de rede neural convolucional (CNN) para identificar e classificar imagens de tipos de flocos em lodo biológico, com o objetivo de criar um modelo para classificar os flocos em difuso e compacto, visando otimizar o tempo de resposta do ensaio e aumentar a precisão e eficiência no manejo do processo de monitoramento da biota da estação de tratamento de efluentes. Desta forma, destaca-se a eliminação do problema da subjetividade e erros humanos na classificação dos flocos, comuns em métodos tradicionais para ensaios de microscopia de lodo ativado. Foi criado um banco de dados de imagens, aplicadas técnicas de pré-processamento, construídos e treinados os modelos; em seguida, os resultados foram avaliados por meio de métricas de desempenho. Os modelos CNN treinados apresentaram acurácia superior a 96% para a classificação dos flocos. O modelo proposto serve como precedente para o uso de IA em aplicações de monitoramento de biota de plantas industriais e em projetos biotecnológicos, contribuindo para melhor performance operacional de estações de tratamento de efluentes, oferecendo um método rápido e confiável para controlar a qualidade do lodo biológico.
Resumo em outra língua: This study presents convolutional neural network (CNN) models for identifying and classifying images of types of sludge flocs in biological sludge, aiming to develop a model to classify the flocs into diffuse and compact. This aims to optimize the response time of the assay and increase the accuracy and efficiency in managing the monitoring process of the biota at the wastewater treatment station. Thus, it highlights the elimination of the problem of subjectivity and human errors in the classification of flocs, common in traditional methods for activated sludge microscopy assays. An image database was created, preprocessing techniques were applied, models were built and trained, and then the results were evaluated using performance metrics. The trained CNN models showed an accuracy of over 96% for floc classification. The proposed model serves as a precedent for the use of AI in monitoring applications of industrial plant biota and in biotechnological projects, contributing to better operational performance of wastewater treatment stations, offering a fast and reliable method to control the quality of biological sludge.
URI: http://www.monografias.ufop.br/handle/35400000/6831
Licença: Este trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).
Aparece nas coleções:Especialização - Ciência dos Dados

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_DesenvolvimentoModeloReconhecimento.pdf5,1 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.