300 XXXI MOSTRA UNISINOS DE INICIAÇÃO CIENTÍFICA E TECNOLÓGICA De 28/10/2024 a 01/11/2024 Unisinos São Leopoldo dade de generalização, evitando que esta decore os dados. Após este processo com o banco de imagens pronto ocorreu o processamento das imagens, alterando sua resolução para 960x540 pixels e a cor para escala de cinza, diminuindo assim a quantidade de informação a ser processada pela rede neural e padronizando as imagens. Uma função de balanceamento de classes foi implementada, para evitar que ocorresse um viés na rede devido à quantidade de imagens presentes em cada classe. As imagens foram divididas em treino, validação e teste e inseridas no modelo InceptionV3 pré-treinada com imagens da ImageNet. O modelo que apresentou melhor desempenho na concordância com um avaliador, obteve 88% de aproveitamento nas métricas de precisão, recall e F1-Score em um conjunto totalmente desconhecido pelo modelo. A análise da matriz de confusão revelou que, embora alguns eletrodos aprovados tenham sido classificados incorretamente como defeituosos, nenhum eletrodo reprovado foi erroneamente considerado apto para produção. Isso garante que nenhum eletrodo inadequado passe despercebido. PALAVRAS-CHAVE: Redes neurais; Inteligência artificial; Biossensores; Visão computacional; Classificação de imagens
RkJQdWJsaXNoZXIy MjEzNzYz