Ajuste de hiperparâmetros de redes neurais convolutivas aplicadas à classificação visual da qualidade de produtos

• Processo: 19/18938-1
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de novembro de 2019
• Data de Término da vigência: 31 de outubro de 2020
• Área de conhecimento: Engenharias - Engenharia de Produção
• Pesquisador responsável: André Luis Debiaso Rossi
• Beneficiário: Guilherme Pompeu Ramos Galvão
• Instituição Sede: Universidade Estadual Paulista (UNESP). Campus Experimental de Itapeva. Itapeva , SP, Brasil
• Assunto(s): Inteligência artificial Aprendizado computacional Redes neurais convolucionais Classificação Qualidade do produto
• Palavra(s)-Chave do Pesquisador: Ajude de Hiperparâmetros | Aprendizado de Máquina | Aprendizado profundo | Classificação da Qualidade | Industria 4 | Redes neurais convolutivas | 0 | Sistemas Inteligentes para Classificação da Qualidade de Produtos

Resumo

A classificação da qualidade de produtos com base em seus aspectos visuais é de extrema importância para vários setores industriais, pois permite agregar valor aos produtos destinando-os ao mercado consumidor mais adequado. De modo geral, essa tarefa é realizada por especialistas humanos, que estão sujeitos a diversos fatores que podem tornar esse processo subjetivo e custoso. Técnicas de Aprendizado de Máquina (AM) têm sido utilizadas com sucesso na automação desse processo. Recentemente, as Redes Neurais Convolutivas (CNNs) têm sido amplamente investigadas para esse propósito devido à melhora do desempenho em comparação a outras técnicas de AM no âmbito de classificação de imagens. Por outro lado, assim como outras técnicas, as CNNs são afetadas pela escolha dos valores de seus hiperparâmetros, que devem ser previamente definidos pelos usuários e influenciam na performance dos modelos induzidos. Entretanto, não há especificações de como esses valores devem ser definidos, sendo que a maioria dos usuários o fazem por tentativa-e-erro ou busca aleatória. Portanto, o presente projeto de pesquisa tem como objetivo investigar o problema de ajuste de hiperparâmetros das CNNs a fim de melhorar o desempenho preditivo na classificação visual da qualidade de produtos. Para isso, serão analisados diferentes métodos para a definição dos valores desses hiperparâmetros, como Sequential Model Bayesian Optimization. O desempenho preditivo dos modelos gerados pelas CNNs será comparado com o de outras técnicas por meio de medidas como a acurácia balanceada (BAC) e área sob a curva ROC. (AU)