Detecção e contagem automáticas de leveduras viáveis e inviáveis utilizando técnicas de visão computacional
DOI:
https://doi.org/10.53660/CONJ-690-806Palavras-chave:
Visão computacional, Aprendizagem profunda de máquina, Saccharomyces cerevisiae, Viabilidade das células de levedura, Contagem automática de levedurasResumo
Este trabalho apresenta o desenvolvimento de um sistema de visão computacional que identifica e conta automaticamente as leveduras de cerveja viáveis e inviáveis. O objetivo é melhorar o tempo e a precisão dos resultados obtidos, em comparação com o método de contagem manual por especialistas comumente realizado na indústria cervejeira. O equipamento utilizado consiste em uma câmera de vídeo digital acoplada a um microscópio óptico, que transmite as imagens capturadas, em tempo real, para o computador. Duas abordagens foram testadas e implementadas, uma levando em consideração a morfologia e a cor das leveduras, e a outra usando aprendizado de máquina. Embora existam programas que contam leveduras automaticamente, este é o primeiro aplicativo que faz uso de técnicas de rede neural convolucional com Yolo para identificar leveduras, tornando os resultados mais precisos e confiáveis em comparação com métodos manuais. Experimentos foram realizados para medir o desempenho e a precisão do protótipo, que são apresentados neste artigo.
Downloads
Referências
BOCHKOVSKIY, A., WANG, C.Y., LIAO, H.-Y. M., YOLOv4: Optimal Speed and Accuracy of Object Detection), arxiv.org, arXiv:2004.10934, 2020.
CARPENTER, A.E. et al., CellProfiler: image analysis software for identifying and quantifying cell phenotypes. Genome Biol. 7, R100, 2006.
CARVALHO, G. B. M.; BENTO, C. V.; SILVA, J. B. A., Elementos Fundamentais no Processo Cervejeiro: 1ª parte- As leveduras. Revista Analítica. São Paulo, 2006.
BRIGGS, D. E., Malts and malting. London: Blackie Academic and Professional; Gaithersburg:Aspen, 1998. 796p.
CECCATO-ANTONINI, S. R., Microbiologia da fermentação alcoólica: a importância do monitoramento microbiológico em destilarias. São Carlos: EdUFSCar, Vol. 27, p. 120, Nº 5, 2010.
CONGALTON, R. G., A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, v. 49, n. 12, 1991, p. 1671-1678
CORRÊA, B. et al, Método fluorescente (diacetato de fluoresceína e brometo de etídio) para o estudo da viabilidade de cryptococcus neoformans em liquor. Ver. Inst. Med. Trop. São Paulo v. 32, p.46-50, 1990.
GOMIDE, J.V.B., CUNHA, E. V., YeastSoft, counting yeast cells automatically. Patente: Programa de Computador. Número do registro: 512018052212-2, data de registro: 27/11/2018, título: "YeastSoft, counting yeast cells automatically" , Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial, 2018.
GOMIDE, J. V. B., CUNHA, E. V., GOMIDE, G. B., YeastSmartCount, counting yeast cells automatically with artificial intelligency. Patente: Programa de Computador. Número do registro: 512019001821-4, data de registro: 31/07/2019, Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial, 2019.
GONZALEZ, Rafael C. e WOODS, Richard E., Processamento Digital de Imagens. São Paulo: Pearson Education do Brasil. 2010.
KULOWIEC, G., QUICK, M.; SHEPARD, S., Comparing automated and manual cell counts for cell culture applications. Bioprocess Int., 2006, 4, 28–34.
LABELIMG, projeto de código aberto disponível, LabelImg, no GitHub, em https://github.com/tzutalin/labelImg, acessado em 20 de fevereiro de 2022.
LAMPRECHT M.R.; SABATINI D.M.; CARPENTER A.E., CellProfiler: free, versatile software for automated biological image analysis. BioT(echniques, v. 42, 2007, pp. 71- 75.
LUCARINI A. C.; SILVA L. A.; BIANCHI R. A. C. Um sistema para a contagem semi-automática de microorganismos. PESQUISA & TECNOLOGIA FEI - Nº 26, 2011, p 36-40. Disponível em http://fei.edu.br/~rbianchi/publications/RevistaFEI2004-a.pdf acessado em 20 de fevereiro de 2022.
MCCONELL, S., Code Complete: A practical handbook of software-construction practices. Second Edition. Microsoft Press, Redmond, WA, EUA, 2004.
MONGELO, A. I., DA SILVA, D. S., QUINTA, L. N. B., PISTORI, H., E CEREDA, M. P., Validação de método baseado em visão computacional para automação de contagem de viabilidade de leveduras em indústrias alcooleiras. páginas 17–21 Outubro, Bento Gonçalves, RS, 2011.
OPENCV, biblioteca de código aberto de visão computacional, OpenCV, disponível em https://opencv.org/, acessado em 20 de fevereiro de 2022.
QT, portal oficial do software de desenvolvimento Qt, em https://www.qt.io/, acessado em 20 de fevereiro de 2022.
RASCHKA, S., An Overview of General Performance Metrics of Binary Classifier Systems. arXiv preprint arXiv:1410.5330, 2014.
REDMON, J., DIVVALA, S., GIRSHICK, R. and FARHADI, A., You Only Look Once: Unified, Real-Time Object Detection, arxiv.org, arXiv:1506.02640, 2015.
REDMON, J., YOLOv3: An Incremental Improvement, arxiv.org, arXiv:1804.02767, 2018.
SCHIER, J. K.; B., Automated Counting of Yeast Colonies using the Fast Radial Transform Algorithm. Bioinformatics, p. 22-27, 2011.
SOUZA J. S., Identificação de Viabilidade de leveduras com corante vital utilizando histogramas de palavras visuais em imagens coloridas. Dissertação de Mestrado da UFMS, 2015.
THOLUDUR, A.; GIRON, L.; ALAM, K.; THOMAS, T.; GARR, E.; WEATHERLY, KULOWIEC, K.; QUICK, M.; SHEPARD, S., Comparing automated and manual cell counts for cell culture applications. Bioprocess Int., 2006, 4, 28–34.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Conjecturas
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
