| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Vidal, Flávio de Barros | - |
| dc.contributor.author | Carvalho, Bruno Fernandes | - |
| dc.contributor.author | Queiroz, Tomás Dias de | - |
| dc.identifier.citation | CARVALHO, Bruno Fernandes; QUEIROZ, Tomás Dias de. Segmentação semântica de alimentos brasileiros: uma abordagem utilizando modelos de aprendizagem profunda. 2021. 122 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia Mecatrônica) — Universidade de Brasília, Brasília, 2021. | pt_BR |
| dc.description | Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, Curso de Graduação em Engenharia de Controle e Automação, 2021. | pt_BR |
| dc.description.abstract | A necessidade de monitorar e direcionar uma alimentação saudável às pessoas é urgente, vista a enorme quantidade de pessoas com doenças e condições que podem ser causadas, controladas e solucionadas a partir da alimentação. Com esta motivação, e com a possibilidade da utilização massiva de redes neurais profundas para segmentar e classificar alimentos em uma imagem, abrem portas para inúmeras aplicações na área de Computação voltada à alimentos (Food Computing). Tarefas como monitoramento de dieta e identificação de hábitos alimentares são passíveis de serem realizadas com auxílio do uso destas redes. Desta feita, neste trabalho é apresentado um banco de dados próprio, focado exclusivamente em alimentos brasileiros, visto que a diferença cultural alimentar do Brasil em relação a outros países inviabiliza a utilização de bancos de dados de alimentos de outras culturas. Foram utilizadas técnicas de processamento de imagens e redes neurais profundas para realizar a segmentação e classificação destes alimentos. A implementação proposta também superou trabalhos de estado-da-arte em pelo menos 4% a mais pela métrica da média da Interseção sobre a União (Mean Intersection-Over-Union-mIoU), se comparado com outros modelos e base de dados disponíveis na literatura. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Aprendizado de máquina | pt_BR |
| dc.subject.keyword | Visão por computador | pt_BR |
| dc.subject.keyword | Processamento de imagens - técnicas digitais | pt_BR |
| dc.title | Segmentação semântica de alimentos brasileiros : uma abordagem utilizando modelos de aprendizagem profunda | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2022-11-10T12:04:46Z | - |
| dc.date.available | 2022-11-10T12:04:46Z | - |
| dc.date.submitted | 2021-10 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/32464 | - |
| dc.language.iso | Português | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
| dc.description.abstract1 | The need to monitor and direct people to healthy eating is urgent, given the huge number of people with diseases and conditions that can be caused, controlled, and resolved through eating.With this motivation, and with the possibility of massive use of deep neural networks to segment and classify foods in an image, they open doors for numerous applications in the field of Computing focused on foods (Food Computing). Tasks such as monitoring diet and identifying eating habits are likely to be carried out with the help of the use of these networks. This time, thiswork presents its own database, focused exclusively on Brazilian foods, as the cultural differences between Brazil and other countries make it impossible to use databases of foods from othercultures. Image processing techniques and deep neural networks were used to classify foods using images of these foods as a basic principle. The proposed implementation also outperfor-med state-of-the-art works by at least 4% more by the metric of the mean Intersection over theUnion (Mean Intersection-Over-Union-mIOU), compared to other models and datasets availablein the literature. | pt_BR |
| Aparece na Coleção: | Engenharia Mecatrônica
|
