Dissertação

{en_GB=Video classification of odors with Convolutional neural networks} {} EVALUATED

{pt=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., en=Trying to mimic natural olfactory systems, by achieving the perfect combination between chemical sensing and artificial intelligence, has been an important task among the science community. Over the last decade, e-nose technologies have undergone important developments on their way to be implemented in real life situations such as food monitoring, air quality monitoring, etc. For that to be possible, e-noses need to possess a very efficient and accurate pattern recognition component. In this work I will investigate how CNN based algorithms can be implemented in these devices to help them achieve good results. With deep learning being a hot topic nowadays, and with the advance in computational hardware, plenty of very good architectures have emerged that can achieve outstanding results in pattern recognition tasks. Different architectures are approached, from simple 3 dimension CNNs to an object detection algorithm (YOLO) and recurrent algorithms capable of handling sequencial data (LSTMs). Since this work focuses solely on the pattern recognition side of e-noses, it will work on an already produced dataset. At first, a gel was exposed to 11 different volatile organic compounds and its reaction to them was recorded in the format of image sequences. The objective is to find the algorithm capable of classifying the image sequences corresponding to the the 11 VOC classes with the highest possible score. On the second task, this gel was exposed to different concentrations of the same compound. The second goal is to find the model best capable of predicting the actual exposed concentration. }
{pt=Nariz Eletrónico, CNN, LSTM, YOLO, VOC, Concentrações, en=E-nose, CNN, LSTM, YOLO, VOC, Concentrations}

Fevereiro 1, 2021, 14:0

Orientação

ORIENTADOR

Susana Isabel Conde Jesus Palma

FCT-UNL

Doutorada

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar