FenixEdu™

Dissertação

Video classification of odors with Convolutional neural networks EVALUATED

Detalhes: Tentar imitar sistemas olfativos naturais, através da combinação perfeita entre sensoriamento químico e inteligência artificial, tem sido uma tarefa bastante discutida dentro da comunidade cientifica. Na última década, tecnologias de narizes eletrónicos sofreram avanços importantes para poderem ser utilizados em situações do quotidiano como monitoração da qualidade de comida, da qualidade do ar, etc. Para que isto seja possível, estes narizes eletrónicos têm de possuir uma componente de pattern recognition muito eficiente e precisa. Neste trabalho, será investigado como algoritmos baseasdos em CNNs podem ser implementados nestes dispositivos de forma a ajudá-los a atingir resultados fidedignos. Sendo deep learning um tema bastante em voga nos tempos atuais, e com o avanço de hardware computacional, muitas arquiteturas capazes de alcançar resultados excecionais em tarefas de pattern recognition têm vindo a aparecer. Diferentes arquiteturas foram abordadas, desde CNNs a 3 dimensões a algoritmos de deteção de objetos (YOLO) e algoritmos recorrentes (LSTMs). Uma vez que este trabalho se foca apenas na parte de pattern recognition de um nariz eletrónico, vai se basear num dataset já produzido. Primeiramente, um gel hibrido foi exposto a 11 compostos orgânicos voláteis e a sua reação for gravada no formato de sequencia de imagens. O objetivo é encontrar um método capaz de classificar estas sequências de forma fiável. Numa segunda tarefa, o gel foi exposto ao mesmo composto mas com concentrações diferentes. O segundo objetivo é então encontrar um modelo capaz de prever a concentração real exposta ao gel, também baseado nas sequências de imagens gravadas.
Keywords: Nariz Eletrónico, CNN, LSTM, YOLO, VOC, Concentrações

Discussão: fevereiro 1, 2021, 14:0