Divulgação - Defesa Nº 07

Aluno: Ricardo Batista das Neves Junior

Título: “Segmentação de Imagens de Documentos Capturadas por Smartphones: Avaliação e Propostas de Modelos e Bases de Dados”

Orientador: Byron Leite Dantas Bezerra - (PPGEC)

Examinador Externo 1: Cleber Zanchettin (UFPE)

Examinador Externo 2: Gabriel de França Pereira e Silva (UFRPE)

Examinador Interno 1: Bruno José Torres Fernandes - (PPGEC)

Examinador Interno 2: João Fausto Lorenzato de Oliveira - (PPGEC)

Data-hora: 27 de Outubro de 2023, às 09:00h.
Local: Formato Presencial - Sala i4

---

Resumo:

         A Visão Computacional é uma linha de pesquisa da Inteligência Artificial que permite aos computadores processar e analisar dados visuais. Dentre os domínios de atuação da Visão Computacional, a tarefa de segmentação tem sido amplamente explorada na literatura. O emprego de algoritmos de segmentação, no contexto de processamento, análise e reconhecimento de documentos tem recebido bastante atenção na literatura, dado que existe uma ampla produção científica em torno do tema. Neste contexto, o presente trabalho apresenta três novos algoritmos. O primeiro algoritmo é apresentado como uma evolução da U-net, nomeado OctHU-PageScan, proposto para segmentação de documento e zona de texto, apresentando uma redução de tempo de processamento de até 75% e uso de 93% menos espaço em disco em comparação ao baseline. Como evolução do OctHU-PageScan, o segundo algoritmo nomeado HU-PageScan foi proposto para segmentação de documento, mostrando-se eficaz para os cenários de foto de câmera de smartphones e scanner, apresentando resultados equivalentes ao baseline reduzindo o custo computacional em mais de 50% em relação ao baseline (i.e., OctHU-PageScan). O terceiro algoritmo proposto evolui os dois primeiros, utilizando algoritmos de segmentação de imagens como um pré-processamento para realizar a tarefa de classificação de oclusão em documentos fotografados. Além dos algoritmos destacados como contribuições deste trabalho, introduzimos sete novas bases de dados voltadas para o estudo do problema de segmentação de documentos fotografados. São elas: (i) CDPhotoDataset: projetada para a segmentação de documentos de identificação inseridos em diversos backgrounds; (ii) DTDDataset: focada na segmentação de regiões de texto em documentos; (iii) Extended Smartdoc Dataset: uma extensão da base de dados original Smartdoc, elaborada para segmentar os documentos em variados backgrounds; (iv) BID-Dataset, como o primeiro conjunto de dados público brasileiro de documentos de identificação; (v) SBR-Doc Dataset, apresentado na competição ICDAR 2021, um novo conjunto de dados proposto para os desafios de segmentação de diferentes componentes do documento; (vi) Um conjunto de dados para classificação de oclusão (causada por mãos humanas) em documentos de identificação (vii) SpotBID Set: para classificação de oclusão causada pelo efeito spotlight. O desenvolvimento destas contribuições minimiza lacunas na literatura relacionadas ao desenvolvimento de algoritmos livres de template e à escassez de conjuntos de dados públicos para tarefas de processamento de documentos. Ao longo desta sequência de trabalhos publicados, cada artigo não apenas se fundamentou nos insights e descobertas do anterior, mas também buscou superar suas limitações. Esse percurso ilustra a evolução metodológica adotada e evidencia a contribuição contínua e relevante desta pesquisa.

Divulgação - Defesa Nº 283

Aluna: Laislla Carolina Pinheiro Brandão

Título: “Desenvolvimento de Modelos de Aprendizado de Máquina para a Detecção de Anomalias Aplicados ao Processo de Solda Ponto na Indústria Automotiva"

Orientador: Alexandre Magno Andrade Maciel

Examinador Externo: Divanilson Rodrigo Campelo (UFPE)

Examinador Interno: João Fausto Lorenzato de Oliveira

Data-hora: 29 de Setembro de 2023, às 15:00h.
Local: Miniauditório do PPGEC, bloco C.

---

Resumo:

         A solda ponto é um dos processos de união de chapas metálicas mais amplamente utilizados para a construção das carrocerias e mais de 90% dos pontos de solda em todo o mundo são realizadas pela indústria automotiva. Falhas na formação dos pontos de solda podem afetar a rigidez, o desempenho de ruído e vibração do veículo em nível global, além da segurança dos passageiros, portanto, garantir a qualidade da solda ponto é de extrema importância. Respingos de solda são uma condição anômala de expulsão de material que ocorre de forma aleatória durante o processo e, uma vez que a existência de respingos pode ocasionar soldas de resistência e qualidade inadequadas, devem ser evitados. Partindo deste contexto e baseando-se em uma abordagem hipotético-dedutiva e de natureza aplicada, este projeto de pesquisa busca desenvolver modelos para detecção de anomalias, aplicando a técnica de aprendizado profundo mais utilizada para a detecção de anomalias em trabalhos recentes, identificada através de uma revisão sistemática da literatura. A pesquisa é aplicada aos dados do processo de solda ponto de uma unidade fabril automotiva que utiliza a tecnologia de solda BOSCH. O conjunto de dados, que contém parâmetros e medições do processo de solda ponto, possui muitos atributos e, por conta disso, é realizado um tratamento nos dados, visando inicialmente à redução de complexidade e redundâncias. Os níveis de respingos da base são utilizados como direcionadores para divisão dos dados em diferentes cenários, considerando maior ou menor proporção de anomalia para conduzir os experimentos e avaliar o desempenho dos algoritmos para cenários onde as anomalias são mais raras. Como os dados utilizados possuem uma rotulação específica em relação ao problema dos respingos, é considerada uma abordagem de aprendizado semi-supervisionado para identificar sua ocorrência. Após implementação de alguns modelos com diferentes arquiteturas e estratégias de ajuste de hiperparâmetros e seleção de thresholds, é realizada uma comparação destes modelos com diferentes abordagens tradicionais de classificação existentes, buscando verificar quais trazem resultados mais robustos para a tarefa de detecção das anomalias, e que melhor se adequam à natureza dos dados do processo de solda ponto, considerando diferentes métricas de avaliação.

Divulgação - Defesa Nº 282

Aluno: Matheus Félix Xavier Barboza

Título: “Prediction of malaria using deep learning models: A case study on city clusters in the state of Amazonas, Brazil"

Orientadora: Patricia Takako Endo

Coorientador: Vanderson de Souza Sampaio (ITPS)

Examinador Externo: Gisely Melo (FMT-HVD)

Examinador Interno: Raphael Dourado (PPGEC)

Data-hora: 29 de Setembro de 2023 às 14:00.
Local: Formato Remoto (Google Meet)

---

Resumo:

         A malária é uma doença transmitida pela fêmea do mosquito Anopheles e pode ser tratada. No entanto, em 2019, foram relatados mais de 247 milhões de casos de malária, juntamente com 619.000 mortes. Mais de 42 milhões de brasileiros correm o risco de desenvolver malária, com 99% dos casos ocorrendo dentro ou ao redor da floresta amazônica. No Brasil, a malária ainda é um importante problema de saúde pública, apesar da queda nas ocorrências e nos óbitos. A previsão espaço-temporal precisa da transmissão da malária pode ajudar a alocar melhor os recursos para ajudar a combater a doença. Para estimar os casos de malária no estado do Amazonas, comparamos e avaliamos modelos estatísticos, deep learning e machine learning neste trabalho. Usamos clusters k-means para agrupar municípios usando um conjunto de dados brasileiro de cerca de 6 milhões de registros (janeiro de 2003 a dezembro de 2018) para testar se o desempenho dos modelos pode ser melhorado ao agrupar municípios com taxas de incidência de malária estatisticamente semelhantes. Os resultados indicam que o modelo ARIMA obteve melhor desempenho, porém, os demais modelos obtiveram valores semelhantes. A divisão dos municípios por clusters reforçou a aplicação de modelos para municípios com valores estatísticos semelhantes. Nossos experimentos mostram que todos esses modelos mostraram precisão aceitável na previsão de novos casos em clusters de k-means e regionais de saúde.