Made available in DSpace on 2015-05-14T13:21:32Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 15006665 bytes, checksum: 541b3c9095c1006563486163e559d5fd (MD5) Previous issue date: 2014-02-03 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The search for a better quality of life has led to increased consumption of foods with fewer calories, high in fiber and vitamins, and obtained from different forms of cultivation. Amid these foods, there are cereal bars and lettuce, foods that are easily accessible, widely consumed and have high nutritional values. Like any other food, require efficient methods that can ensure its quality. Thus, the need for rapid, accurate analytical methods and low cost, which can help to identify and classify these foods safely arises. Within this perspective, this paper makes use of Near Infrared Spectroscopy (NIR) combined with Linear Discriminant Analysis (LDA) to classify samples of cereal bars and lettuce. A total of 121 samples of cereal bars, three distinct types (conventional, diet and light) and 104 samples of three different types of lettuce cultivation (conventional, organic and hydroponic) was used. The acquisition of the spectra was made on equipment Spectrum 400 (Perkin Elmer) with accessory NIRA (Near Infrared Reflectance Acessory) in the range 10000 - 4000 cm-1. Classification models were constructed by combining the LDA algorithms and variable selection: Stepwise (SW), Successive Projections Algorithm (SPA) and Genetic Algorithm (GA). Strategies for pre - processing data were evaluated and the efficiency of the models was determined from the of correct classification rate (CCR) for the full set of samples and the test set. For both matrices the model that generated a better CCR was the GA-LDA valued 95% to matrix of the cereal bars and 97.1 % for array of lettuces, both based on the total set of samples (training, validation and testing). Regarding the set of test models presented results of CCR with performance of 90.3 % and 95.4 % for matrices of cereal bars and lettuce respectively. / A busca por uma melhor qualidade de vida tem levado ao aumento do consumo de alimentos com menos calorias, ricos em fibras e vitaminas, e obtidos de formas de cultivo diferenciadas. Em meio a esses alimentos, encontram-se as barras de cereais e as alfaces, que são alimentos de fácil acesso, muito consumidos e que possuem altos valores nutricionais. Como qualquer outro alimento, necessitam de métodos eficientes que possam assegurar sua qualidade. Assim, surge a necessidade de métodos analíticos rápidos, precisos e de baixo custo, que possam ajudar a identificar e classificar com segurança a esses alimentos. Dentro desta perspectiva, este trabalho faz uso da Espectroscopia no Infravermelho Próximo (NIR) aliada a Análise Discriminante Linear (LDA) para classificar amostras de barras de cereais e alfaces. Um total de 121 amostras de barras de cereais, de três tipos distintos (convencional, diet e light) e 104 amostras de alface de três diferentes tipos de cultivo (convencional, orgânico e hidropônico) foi utilizado. A aquisição dos espectros foi feita no equipamento Spectrum 400 (Perkin Elmer) com acessório NIRA (Near Infrared Reflectance Acessory) na faixa de 10.000 a 4.000 cm-1. Modelos de classificação foram construídos através da associação da LDA e algoritmos de seleção de variáveis: Stepwise (SW), Algoritmo das Projeções Sucessivas (SPA) e Algoritmo Genético (GA). Estratégias de pré-processamento de dados foram avaliadas e a eficiência dos modelos foi determinada em relação à taxa de classificação correta (TCC), para o conjunto total das amostras e para o conjunto de teste. Para as duas matrizes o modelo que gerou um melhor TCC foi o GA-LDA com valor de 95% para matriz das barras de cereais e 97,1% para matriz das alfaces, ambos baseados no conjunto total das amostras (treinamento, validação e teste). Em relação ao conjunto de teste os modelos apresentaram resultados de TCC com desempenho de 90,3% e 95,4% para as matrizes das barras de cereais e alfaces respectivamente.

O uso de dados biométricos da face para verificação automática de identidade é um dos maiores desafios em sistemas de controle de acesso seguro. O processo é extremamente complexo e influenciado por muitos fatores relacionados à forma, posição, iluminação, rotação, translação, disfarce e oclusão de características faciais. Hoje existem muitas técnicas para se reconhecer uma face. Esse trabalho apresenta uma investigação buscando identificar uma face no banco de dados ORL com diferentes grupos de treinamento. É proposto um algoritmo para o reconhecimento de faces baseado na técnica de subespaço LDA (PCA + LDA) utilizando uma rede neural SOM para representar cada classe (face) na etapa de classificação/identificação. Aplicando o método do subespaço LDA busca-se extrair as características mais importantes na identificação das faces previamente conhecidas e presentes no banco de dados, criando um espaço dimensional menor e discriminante com relação ao espaço original. As redes SOM são responsáveis pela memorização das características de cada classe. O algoritmo oferece maior desempenho (taxas de reconhecimento entre 97% e 98%) com relação às adversidades e fontes de erros que prejudicam os métodos de reconhecimento de faces tradicionais. / The use of biometric technique for automatic personal identification is one of the biggest challenges in the security field. The process is complex because it is influenced by many factors related to the form, position, illumination, rotation, translation, disguise and occlusion of face characteristics. Now a days, there are many face recognition techniques. This work presents a methodology for searching a face in the ORL database with some different training sets. The algorithm for face recognition was based on sub-space LDA (PCA + LDA) technique using a SOM neural net to represent each class (face) in the stage of classification/identification. By applying the sub-space LDA method, we extract the most important characteristics in the identification of previously known faces that belong to the database, creating a reduced and more discriminated dimensional space than the original space. The SOM nets are responsible for the memorization of each class characteristic. The algorithm offers great performance (recognition rates between 97% and 98%) considering the adversities and sources of errors inherent to the traditional methods of face recognition.

O uso de dados biométricos da face para verificação automática de identidade é um dos maiores desafios em sistemas de controle de acesso seguro. O processo é extremamente complexo e influenciado por muitos fatores relacionados à forma, posição, iluminação, rotação, translação, disfarce e oclusão de características faciais. Hoje existem muitas técnicas para se reconhecer uma face. Esse trabalho apresenta uma investigação buscando identificar uma face no banco de dados ORL com diferentes grupos de treinamento. É proposto um algoritmo para o reconhecimento de faces baseado na técnica de subespaço LDA (PCA + LDA) utilizando uma rede neural SOM para representar cada classe (face) na etapa de classificação/identificação. Aplicando o método do subespaço LDA busca-se extrair as características mais importantes na identificação das faces previamente conhecidas e presentes no banco de dados, criando um espaço dimensional menor e discriminante com relação ao espaço original. As redes SOM são responsáveis pela memorização das características de cada classe. O algoritmo oferece maior desempenho (taxas de reconhecimento entre 97% e 98%) com relação às adversidades e fontes de erros que prejudicam os métodos de reconhecimento de faces tradicionais. / The use of biometric technique for automatic personal identification is one of the biggest challenges in the security field. The process is complex because it is influenced by many factors related to the form, position, illumination, rotation, translation, disguise and occlusion of face characteristics. Now a days, there are many face recognition techniques. This work presents a methodology for searching a face in the ORL database with some different training sets. The algorithm for face recognition was based on sub-space LDA (PCA + LDA) technique using a SOM neural net to represent each class (face) in the stage of classification/identification. By applying the sub-space LDA method, we extract the most important characteristics in the identification of previously known faces that belong to the database, creating a reduced and more discriminated dimensional space than the original space. The SOM nets are responsible for the memorization of each class characteristic. The algorithm offers great performance (recognition rates between 97% and 98%) considering the adversities and sources of errors inherent to the traditional methods of face recognition.