Discente: MATHEUS DE ARAÚJO PADILHA

Título: MICROSCÓPIO ÓPTICO AUTOMATIZADO INTEGRADO À COMPUTAÇÃO EM NUVEM E AO YOLOV8M PARA CLASSIFICAÇÃO DE MORTALIDADE DE C. ELEGANS

Orientador: PROF. DR. RICARDO ATAIDE DE LIMA

Coorientador: PROF. DR. ANDRÉ CAETANO FIRMO

Examinador Externo: PROF. DR. LEANDRO HONORATO DE SOUZA SILVA

Examinador Interno: PROF. DR. CAIO VINICIUS PINHEIRO VITAL

Data: 02 DE FEVEREIRO DE 2026

Horário: 14:00

Local: On-line

Resumo do projeto: 

Esta dissertação de mestrado propõe uma solução integrada e escalável para automatizar ensaios farmacológicos de classificação da mortalidade de C. elegans. O sistema combina um dispositivo automatizado de microscopia óptica e um servidor em nuvem AWS. O dispositivo, construído com componentes de sistema CNC (motores de passo e guias lineares), captura automaticamente imagens da região inferior de placas de múltiplas cavidades, superando desafios de visualização como agregados de vermes e turbidez do meio. Um conjunto de dados de 8.477 imagens foi utilizado para o desenvolvimento do modelo, dividido em 70% para treinamento e 30% para teste. As imagens capturadas são enviadas automaticamente para um banco de dados em nuvem, onde um algoritmo de visão computacional baseado na arquitetura YOLOv8m é executado especificamente para a classificação da mortalidade de nematoides. Apesar do considerável desfoque nas imagens, o modelo treinado alcançou excelente desempenho, com todas as métricas (precisão, recall e F1-score, mAP@50 e mAP@50:95) superiores a 86,0%, combinadas com uma velocidade de inferência de 33,2 quadros por segundo. A arquitetura descentralizada permite que um único servidor AWS gerencie o processamento de múltiplos dispositivos distribuídos, reduzindo custos operacionais. A solução oferece operação remotavia navegador, facilitando a análise colaborativa, o armazenamento de dados e a troca de resultados entre laboratórios geograficamente dispersos. Os resultados validam a proposta como uma alternativa robusta, eficiente e competitiva para a automação em pesquisa farmacológica.

Discente: RUBEN FELIPE GONCALVES DE ARAUJO

Título: CARACTERIZAÇÃO DA CORRENTE DE FUGA SUPERFICIAL EM ISOLADORES DE ALTA TENSÃO: EXTRAÇÃO DE CARACTERÍSTICAS DE FORMAS DE ONDA 

Orientador: PROF. DR. SÉRGIO CAMPELLO OLIVEIRA

Coorientador: PROF. DR. JOSÉ PAULO G. DE OLIVEIRA

Examinador Externo: PROF. DR. JOAQUIM FERREIRA MARTINS FILHO

Examinador Interno: PROF. DR. GUSTAVO OLIVEIRA CAVALCANTI

Data: 19 DE DEZEMBRO DE 2025

Horário: 09:00

Local: On-line

Resumo do projeto: 

Em redes de transmissão de energia elétrica, o acúmulo de poluentes solúveis e não solúveis em água sobre a superfície de componentes isolantes, submetidos à umidade do ar, gera um dos principais problemas que desafiam a manutenção da qualidade de energia. O problema de descargas parciais sobre cadeias de isoladores surge quando a corrente de fuga, que flui naturalmente sobre o material, na ordem de microamperes, é intensificada pelo acúmulo de energia em campo elétrico gerado entre bandas secas e regiões eletricamente condutoras na superfície isolante. O desencadeamento dessas reações sobre uma cadeia poluída causa pequenas descargas elétricas, na ordem de miliamperes, com degradação mínima e cumulativa, as quais, não sendo contidas, evoluem para descargas na escala de amperes até uma descarga disruptiva, conhecida como flashover, que invalida a propriedade dielétrica do material e interrompe o fluxo de energia da rede. Diante disso, a literatura especializada propõe soluções para o monitoramento contínuo dessas estruturas isolantes. Dentre as soluções está a captação e registro da forma de onda da corrente de fuga superficial de cadeias de isoladores a partir da transdução óptica, possibilitando a captação do sinal, sem a interferência de campo eletromagnético, e o seu processamento em ambiente isolado para a análise do comportamento elétrico e apoio à manutenção preditiva. A partir de sinais registrados por esse tipo de monitoramento, e objetivando-se contribuir com a obtenção de dados para o aprimoramento do estudo, este trabalho propõe uma estratégia, fundamentalmente no domínio do tempo, apoiada por ferramentas da linguagem Python3, para a caracterização morfológica dessas formas de onda, incluindo: pré-processamento para padronização dos sinais; aplicação da técnica KDE para estimativa e subtração do nível CC do sistema sensor; filtragem de ruído com Wavelets; segmentação em regiões com e sem eventos de interesse por limiar adaptativo; identificação de picos; e a extração de características da componente fundamental, senoidal retificada em meia onda, e da componente impulsiva da corrente, onde se apresentam descargas parciais sobrepostas à parte fundamental. A aplicação da estratégia permitiu identificar relações significativas entre essas componentes.

Palavras-chave: Forma de Onda; Morfologia; Corrente de Fuga; Descargas Parciais; Extração de Característica; Rede Elétrica; Isolador, Wavelet.

Discente: DOURIVAN DIEGO DE MELO PEREIRA 

Título: VIABILIDADE DO USO DE MODELOS DE GRANDE ESCALA COMO DESCRITORES DE IMAGEM NA CLASSIFICAÇÃO DE RESÍDUOS SÓLIDOS 

Orientador: PROF. DR. CARMELO JOSÉ ALBANEZ BASTOS FILHO 

Coorientador: PROFA. DRA. MÁRCIA REJANE OLIVEIRA BARROS CARVALHO MACEDO

Examinador Externo: PROF. DR. CLAUDEMIRO LIMA JÚNIOR

Examinador Interno: PROF. DR. MANOEL HENRIQUE DA NÓBREGA MARINHO 

Data: 10 DE DEZEMBRO DE 2025

Horário: 14:00

Local: On-line

Resumo do projeto: 

A gestão eficiente de resíduos sólidos urbanos representa um dos maiores desafios para a sustentabilidade nas cidades inteligentes, sendo historicamente limitada pela dependência da triagem manual e pela ineficácia de tecnologias convencionais em lidar com a heterogeneidade e a desordem visual dos materiais. Diante das limitações das Redes Neurais Convolucionais (CNNs) em fornecer descrições contextuais, esta dissertação investiga a viabilidade e o desempenho de Modelos de Linguagem de Grande Escala (LLMs) multimodais como descritores automáticos de imagem para a classificação de resíduos. O objetivo principal foi avaliar a capacidade dessas arquiteturas em gerar descrições semânticas precisas em cenários complexos. A metodologia adotou uma abordagem exploratória e experimental, utilizando um dataset intencional de 10 imagens que representam desafios visuais críticos, como alta sobreposição e homogeneidade em Resíduos Sólidos Urbanos (RSU), Resíduos de Construção e Demolição (RCD) e Resíduos Mistos. Foram avaliados três modelos: Gemini 2.5 Pro, GPT-4o e LLaVA 1.5 7b, submetidos a prompts simples e elaborados. A análise de desempenho baseou-se em uma avaliação a parti de um formulario, utilizando os critérios de Completude e Corretude. Os resultados estatísticos, validados por análise de clustering e árvore de decisão, demonstraram uma hierarquia de desempenho clara. O modelo Gemini 2.5 Pro apresentou a maior robustez operacional, com mediana de completude superior a 4.3, seguido pelo GPT-4o, que exibiu um comportamento conservador. Em contrapartida, o modelo open-source LLaVA 1.5 7b revelou-se inadequado para aplicações críticas devido à inconsistência e à ocorrência de alucinações semânticas graves. Conclui-se que o uso de LLMs como descritores é tecnicamente viável e promissor para a automação da triagem.

Palavras-chave: Inteligência artificial, modelos de larga escala, sustentabilidade.