Leiliane Teles César
Research Interests
Leiliane Teles César has a total of 7 co-authors. Here are the top co-authors by number of shared publications:
- David de Souza Ferreira1 shared publication
- Felipe Costa de Souza1 shared publication
- Francisca Joyce Elmiro Timbó de Andrade
Instituto Federal de Educação, Ciência e Tecnologia do Ceará Fortaleza Brazil
1 shared publication - Mirla Dayanny Pinto Farias
Instituto Federal de Educação, Ciência e Tecnologia do Ceara
1 shared publication - Rafael Pereira Frota1 shared publication
- Raimundo Alan Freire Moreira1 shared publication
Latest Publications
- Open Access
- 6 January 2025
- Published by Brazilian Journals in OBSERVATÓRIO DE LA ECONOMÍA LATINOAMERICANA
- Vol. 23 (1) , e8554
Aplicação de redes neurais convolucionais para treinamento de inteligência artificial na avaliação de embutidos de pescados
As Redes Neurais Convolucionais (RNC´s) são sistemas computacionais cada vez mais estudados atualmente e podem ser utilizadas para análise de imagens de alimentos, como os produtos de pescados. O objetivo deste estudo foi desenvolver uma RNC que analisou as alterações de cores dos embutidos de carne de tilápia, oferecendo uma metodologia automatizada e não invasiva de controle de qualidade. Após a elaboração dos embutidos, obteve-se as imagens, seguidas de seleção, tratamento, segmentação, catalogação e criação do dataset serviram de base para a construção, treinamento, validação, técnicas de avaliação e visualização de desempenho da RNC. Ao todo foram 509 imagens obtidas e na separação e segmentação das imagens a nitidez, ruídos, brilho e contraste foram ajustados para a construção do dataset, e estas imagens foram direcionadas para elaboração de um data augmentation, que apresentou um desempenho gerando 17.080 imagens, e após o treinamento com modelos pré-treinados e o personalizado construído nesta pesquisa, pode-se observar que a RNC personalizada demonstrou mais flexibilidade, com uma acurácia de 96% e uma loss de aproximadamente 0.01, demonstrando uma boa capacidade de generalização. Os resultados das métricas de avaliação foram uma média de 98,73% para o F1-Score, 98,97% de Recall, 98,65% de precisão entre as três classes e a Matriz de Confusão revelou que havia uma pequena quantidade de falsos negativos. Conclui-se, portanto, que o dataset criado e todas as etapas necessárias para o desenvolvimento de uma RNC foram essenciais para se ter um modelo personalizado e que foi capaz de ter um desempenho melhor do que os modelos pré-treinados.
- 6 January 2025
- Published by Brazilian Journals in OBSERVATÓRIO DE LA ECONOMÍA LATINOAMERICANA
- Vol. 23 (1) , e8554
Open AccessAplicação de redes neurais convolucionais para treinamento de inteligência artificial na avaliação de embutidos de pescados
As Redes Neurais Convolucionais (RNC´s) são sistemas computacionais cada vez mais estudados atualmente e podem ser utilizadas para análise de imagens de alimentos, como os produtos de pescados. O objetivo deste estudo foi desenvolver uma RNC que analisou as alterações de cores dos embutidos de carne de tilápia, oferecendo uma metodologia automatizada e não invasiva de controle de qualidade. Após a elaboração dos embutidos, obteve-se as imagens, seguidas de seleção, tratamento, segmentação, catalogação e criação do dataset serviram de base para a construção, treinamento, validação, técnicas de avaliação e visualização de desempenho da RNC. Ao todo foram 509 imagens obtidas e na separação e segmentação das imagens a nitidez, ruídos, brilho e contraste foram ajustados para a construção do dataset, e estas imagens foram direcionadas para elaboração de um data augmentation, que apresentou um desempenho gerando 17.080 imagens, e após o treinamento com modelos pré-treinados e o personalizado construído nesta pesquisa, pode-se observar que a RNC personalizada demonstrou mais flexibilidade, com uma acurácia de 96% e uma loss de aproximadamente 0.01, demonstrando uma boa capacidade de generalização. Os resultados das métricas de avaliação foram uma média de 98,73% para o F1-Score, 98,97% de Recall, 98,65% de precisão entre as três classes e a Matriz de Confusão revelou que havia uma pequena quantidade de falsos negativos. Conclui-se, portanto, que o dataset criado e todas as etapas necessárias para o desenvolvimento de uma RNC foram essenciais para se ter um modelo personalizado e que foi capaz de ter um desempenho melhor do que os modelos pré-treinados.