Divulgação - Defesa Nº 273

Aluno: Ailton de Souza Leite

Título: “Processamento, reconhecimento e classificação de fala disártrica através do processamento de espectrogramas utilizando modelos híbridos inteligentes”.

Orientador: Sérgio Murilo Maciel Fernandes

Coorientador: Rodrigo de Paula Monteiro

Examinador Externo: Paulo Salgado G. de Mattos Neto (UFPE)

Examinador Interno: Alexandre Magno Andrade Maciel (PPGEC)

Data-hora: 28 de Julho de 2023 às 13:30h.
Local: Formato Remoto

---

Resumo:

         Este trabalho apresenta quatro dos modelos híbridos inteligentes mais utilizados na literatura capazes de processar, reconhecer e classificar a fala disártrica, condição que afeta a produção articulatória e a inteligibilidade da fala, por meio da análise de seus respectivos espectrogramas. Os modelos visam dar suporte aos profissionais de saúde na análise e diagnóstico da fala disártrica, contribuindo para um prognóstico mais preciso e auxiliando na definição do estado de saúde dos indivíduos acometidos por essa condição. Para apoiar os experimentos e validar as aplicações dos modelos, foi utilizada a base de dados de articulação distártrica TORGO, disponibilizada pelo departamento de Ciência da Computação da Universidade de Toronto. O intuito deste trabalho é criar modelos híbridos capazes de distinguir um áudio sem alteração de fala de um áudio com alteração de fala e, também, indicar o sexo do individuo que se expressa. Foi realizado um pré-processamento inicial nos áudios das falas disponíveis na base de dados TORGO para extração dos seus respectivos espectrogramas, que serviram de entrada para os modelos apresentados. Os modelos utilizaram a extração das características dos espectrogramas que geraram características nomeadas para um processamento supervisionado. Essas características foram extraídas utilizando uma Convolutional Neural Network (CNN), com o apoio de técnicas de transferência de aprendizagem e ajustes finos em sua arquitetura e seus hiperparâmetros. Os resultados do processamento da CNN foram entregues a outros algoritmos inteligentes para realização da etapa de reconhecimento e classificação da fala. O primeiro modelo criado utilizou o algoritmo Support Vector Machine (SVM) para reconhecimento e classificação das características extraídas pela CNN e obteve uma acurácia de 98,22%. O segundo modelo utilizou o algoritmo K-Nearest Neighbors (KNN), obtendo uma acurácia de 97,51%. O terceiro modelo utilizou o algoritmo Random Forest (RF), e obteve uma acurácia de 97,16%. O último modelo utilizou o algoritmo Naive Bayes (NB), e alcançou uma acurácia de 89,71%.

Divulgação - Defesa Nº 272

Aluno: Carlos Adriano Beserra da Silva

Título: “Análise comparativa de algoritmos meméticos em otimização por enxame utilizando métricas de redes de interação”.

Orientador: Carmelo José Albanez Bastos Filho

Examinador Externo: José Alfredo Ferreira Costa (UFRN)

Examinador Interno: : Daniel Augusto Ribeiro Chaves (PPGEC)

Data-hora: 20 de Julho de 2023 às 14:00h
Local: Formato Remoto

---

Resumo:

         "Esta dissertação analisa e compara algoritmos meméticos em problemas de otimização por enxame. Os algoritmos meméticos são uma abordagem que combina as vantagens da otimização por enxame com a busca local, visando melhorar a eficiência e a qualidade das soluções encontradas. Foram realizadas avaliações da diversidade e qualidade das soluções geradas pelos algoritmos em diferentes topologias de PSO (Particle Swarm Optimization) utilizando métricas como a Interaction Diversity e a Portrait Divergence. Os resultados revelaram padrões distintos de exploração e explotação em cada algoritmo, fornecendo informações sobre o seu desempenho e comportamento ao longo do processo de otimização. Os resultados contribuem para uma compreensão mais profunda do desempenho e das características dos algoritmos meméticos em problemas de otimização de enxames, ajudando na seleção e desenvolvimento de abordagens práticas para a resolução de problemas complexos."

Divulgação - Defesa Nº 271

Aluna: Rafaela Laís de Barros Barbosa

Título: “Sistema híbrido com Deep Learning para detecção de trincas de concreto: uma abordagem utilizando Transfer Learning e Stacking”

Orientador: Bruno José Torres Fernandes

Examinador Externo: Leandro Honorato de Souza Silva (IFPB)

Examinador Interno: João Fausto Lorenzato de Oliveira (PPGEC)

Data-hora: 30 de Junho de 2023 às 10:00h
Local: Formato Presencial - Sala i4, Bloco C, 1 Andar

---

Resumo:

         "A detecção de fissuras no concreto ainda é um problema rotineiro e de alto impacto, principalmente em estruturas como pontes, edifícios e viadutos. Muitos estudos estão sendo desenvolvidos para desenvolver uma solução robusta, precisa e confiável para classificação de imagens. No entanto, ainda há espaço para explorar diferentes abordagens e melhorar a precisão da classificação de trincas, por exemplo, combinando as saídas de diferentes classificadores, gerando um sistema que obtém grande generalização e funciona bem em diferentes conjuntos de dados. Propomos um método de ensemble para classificação de imagens usando a técnica de Stacking. Em nosso estudo, utilizamos a classificação de fissuras no concreto. Primeiro, treinamos cinco modelos de redes neurais convolucionais, ou seja, VGG16, VGG19, MobileNet, Xception e ResNet, para classificar imagens de fissuras no concreto. Em seguida, combinamos as previsões de saída desses modelos como entradas para um modelo Random Forest. Os resultados mostram que a abordagem Stacking proposta superou a abordagem Transfer-Learning sozinha e a técnica ensemble Learning. A abordagem Stacking alcançou uma precisão de 97,6%, em comparação com a precisão de Transfer-Learning de 92,5% e a média dos modelos de 90,7%, ambas do conjunto de dados de teste. Quando nosso modelo foi aplicado a um teste cruzado usando o conjunto de dados Bridge Crack Detection, encontrou uma precisão de 98,5% e uma precisão de 98,3%. Nossos resultados demonstram a eficácia da aprendizagem em detectar fissuras no concreto. Abordagens como essa podem melhorar a precisão e a robustez dos sistemas de detecção de trincas em aplicações do mundo real, auxiliando as inspeções nesse setor."