Use este identificador para citar ou linkar para este item: https://repositorio.ifgoiano.edu.br/handle/prefix/1978
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisor1Ribeiro, André da Cunha-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4081160471474939pt_BR
dc.contributor.advisor-co1Costa, Adriano Carvalho-
dc.contributor.referee1Ribeiro, André da Cunha-
dc.contributor.referee2França, Heyde Francielle do Carmo-
dc.contributor.referee3Costa, Adriano Carvalho-
dc.creatorSilva, Alexandre da-
dc.date.accessioned2021-08-02T17:40:38Z-
dc.date.available2021-08-02T17:40:38Z-
dc.date.issued2021-06-29-
dc.identifier.urihttps://repositorio.ifgoiano.edu.br/handle/prefix/1978-
dc.description.abstractDue to the increasing advancement of fish production techniques and the study of aquatic life through aquatic cameras, an efficient fish species classifier has been much in demand. This work presents the development of a classifier based on Convolutional Neural Networks, to classify the main species of fish of national production. The achievement transfer technique is used to decrease training time and available data. Four state-of-the-art models were tried out, in which the Xception model was selected to be used as part of our model. A system is developed to make the use of the classifier available, so that it can be implemented in intelligent devices and systems. A database was developed to make up for the lack of available images and an algorithm based on oversampling is proposed to solve problems with unbalance and increase the database, according to the defined criteria. An accuracy of 99.54% was found when classifying 11 species of fingerling fish with the developed model.pt_BR
dc.description.resumoPelo crescente avanço, de técnicas de produção de peixes e estudo da vida aquática por meio de câmeras aquáticas, um classificador eficiente de espécies de peixes, tem sido muito demandado. Este trabalho apresenta, o desenvolvimento de um classificador baseado em Redes Neurais Convolucionais, para classificar as principais espécies de peixes de produção nacional. A técnica de transferência de aprendizado é utilizada para diminuir tempo de treinamento e dados necessários. Quatro modelos do estado da arte foram experimentados, no qual, o modelo Xception foi selecionado para ser utilizado como parte de nosso modelo. Um sistema é desenvolvido para disponibilizar o uso do classificador, para que possa ser implementado em dispositivos e sistemas inteligentes. Uma base de dados foi desenvolvida, para suprir a falta de imagens disponíveis e é proposto um algoritmo baseado em oversampling para resolver problemas com o desbalanceamento e aumentar a base de dados, de acordo com critérios estabelecidos. Foi obtido a acurácia de 99,54% ao se classificar 11 espécies de peixes alevinos com o modelo desenvolvido.pt_BR
dc.description.provenanceSubmitted by Alexandre da Silva (alexandre.silva1@estudante.ifgoiano.edu.br) on 2021-08-02T15:58:51Z No. of bitstreams: 1 tcc_Alexandre da Silva.pdf: 1742253 bytes, checksum: 5a1f6ed57c547c57b01fef309e610c9c (MD5)en
dc.description.provenanceRejected by Johnathan Diniz (johnathan.diniz@ifgoiano.edu.br), reason: Prezado ALEXANDRE, Informamos que sua submissão foi rejeitada para ajustes pelo seguinte motivo:   O Termo de Ciência e Autorização Eletrônico (TCAE) não foi anexado à submissão. Tais documentos deverão constar, obrigatoriamente, dentro das submissões feitas no Repositório. Por ventura os documentos não estejam inseridos na submissão, a publicação será rejeitada pelos administradores da plataforma.  O TCAE está disponível na plataforma na aba "Termo de Autorização", podendo ser encontrado no seguinte link:  https://suap.ifgoiano.edu.br/media/documentos/arquivos/TCAE_-_Termo_de_autorizacao.pdf   O(s) autor(es) devem revisar a versão final do trabalho acadêmico e gerar arquivo em formato PDF dessa versão, com as devidas comprovações solicitadas de aprovação contendo, em um único arquivo, as páginas na seguinte ordem: 1º Capa, 2º Folha de rosto, 3º Ficha catalográfica (verso da folha rosto), 4º TCAE, 5º Ata de defesa, 6º restante do trabalho.  Assim que o TCAE estiver assinado e anexado, nos reenvie pela plataforma. Informamos que sua submissão não foi cancelada, você deverá entrar novamente na plataforma e seguir os procedimentos solicitados. Para tirar dúvidas, sugerimos que você dê uma olhada nos tutoriais de como submeter o trabalho no RIIF Goiano: https://suap.ifgoiano.edu.br/media/documentos/arquivos/como_depositar_riif_goiano_1.1.pdf  Aguardamos a devolução do mesmo com as alterações solicitadas. Estamos à disposição. Atenciosamente, on 2021-08-02T16:33:15Z (GMT)en
dc.description.provenanceSubmitted by Alexandre da Silva (alexandre.silva1@estudante.ifgoiano.edu.br) on 2021-08-02T17:32:43Z No. of bitstreams: 1 tcc_Alexandre da Silva.pdf: 1855052 bytes, checksum: b271a7678ebebd0b1a044620cbb4383a (MD5)en
dc.description.provenanceApproved for entry into archive by Johnathan Diniz (johnathan.diniz@ifgoiano.edu.br) on 2021-08-02T17:38:51Z (GMT) No. of bitstreams: 1 tcc_Alexandre da Silva.pdf: 1855052 bytes, checksum: b271a7678ebebd0b1a044620cbb4383a (MD5)en
dc.description.provenanceApproved for entry into archive by Johnathan Diniz (johnathan.diniz@ifgoiano.edu.br) on 2021-08-02T17:40:38Z (GMT) No. of bitstreams: 1 tcc_Alexandre da Silva.pdf: 1855052 bytes, checksum: b271a7678ebebd0b1a044620cbb4383a (MD5)en
dc.description.provenanceMade available in DSpace on 2021-08-02T17:40:38Z (GMT). No. of bitstreams: 1 tcc_Alexandre da Silva.pdf: 1855052 bytes, checksum: b271a7678ebebd0b1a044620cbb4383a (MD5) Previous issue date: 2021-06-29en
dc.languageporpt_BR
dc.publisherInstituto Federal Goianopt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentCampus Rio Verdept_BR
dc.publisher.initialsIF Goianopt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectRedes Neurais Convolucionais.pt_BR
dc.subjectConvolutional Neural Networkspt_BR
dc.subjectVisão Computacionalpt_BR
dc.subjectComputer Visionpt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectMachine Learningpt_BR
dc.subjectClassificação de Espécies de Peixespt_BR
dc.subjectFish Species Classificationpt_BR
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOpt_BR
dc.titleRECONHECIMENTO DE ESPÉCIES DE PEIXES UTILIZAND REDES NEURAIS CONVOLUCIONAISpt_BR
dc.title.alternativeFish Species Recognition Using Convolutional Neural Networkspt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
Aparece nas coleções:Bacharelado em Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tcc_Alexandre da Silva.pdfTCC Alexandre1,81 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.