PRODUÇÃO ACADÊMICA Repositório Acadêmico da Graduação (RAG) TCC Ciência da Computação
Use este identificador para citar ou linkar para este item: https://repositorio.pucgoias.edu.br/jspui/handle/123456789/7933
Registro completo de metadados
Campo DCValorIdioma
dc.creatorOliveira, Fernando Costapt_BR
dc.date.accessioned2024-06-25T22:58:59Z-
dc.date.available2024-06-25T22:58:59Z-
dc.date.issued2024-06-21-
dc.identifier.urihttps://repositorio.pucgoias.edu.br/jspui/handle/123456789/7933-
dc.description.abstractThe objective of this work is to classify wine samples to improve product quality control. The samples are hyperspectral images and the classifier used is K-Nearest Neighbors. K-means was used as pre-processing with the aim of removing the background and possible noise from the sample. The classifier achieved an accuracy of 62%, making it possible to conclude that the use of hyperspectral images combined with machine learning techniques, such as KNN, is effective.pt_BR
dc.description.sponsorshipNão recebi financiamentopt_BR
dc.languageporpt_BR
dc.publisherPontifícia Universidade Católica de Goiáspt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectClassificação de vinhospt_BR
dc.subjectControle de qualidadept_BR
dc.subjectImagens hiperespectraispt_BR
dc.subjectK-meanspt_BR
dc.subjectK-vizinhos próximospt_BR
dc.titleClassificação de vinhos usando imagens hiperespectrais e k-vizinhos mais próximospt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Coelho, Clarimar Josépt_BR
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-5163-2986pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1350166605717268pt_BR
dc.contributor.referee1Carvalho, Rafael Viana dept_BR
dc.contributor.referee1IDhttps://orcid.org/0000-0001-8656-5472pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/8037512088703488pt_BR
dc.contributor.referee2Taniguti, Zenilda da Silva Alexandriapt_BR
dc.description.resumoO objetivo deste trabalho é classificar amostras de vinhos para melhorar o controle de qualidade dos produtos. As amostras são imagens hiperespectrais e o classificador utilizado é o K-Vizinhos Próximos. Como pré-processamento foi utilizado o K-means com o objetivo de remover o fundo e possíveis ruídos da amostra. O classificador alcançou uma acurácia de 62%, sendo possível concluir que o uso de imagens hiperespectrais combinado com técnicas de aprendizado de máquina, como KNN, mostra-se eficaz.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola Politécnicapt_BR
dc.publisher.initialsPUC Goiáspt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.creator.Latteshttp://lattes.cnpq.br/1658821324249900pt_BR
dc.degree.graduationCiências da Computaçãopt_BR
dc.degree.levelGraduaçãopt_BR
Aparece nas coleções:TCC Ciência da Computação

Arquivos associados a este item:
Arquivo TamanhoFormato 
TCC COM CORREÇÃO DA BANCA - FERNANDO COSTA OLIVEIRA.pdf6,48 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


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

Ferramentas do administrador