Defesa de Dissertação de Mestrado de Leandro Pereira Bernardo, 31/07/25, 14h, por videoconferência
Link para defesa: https://meet.google.com/iim-xdjf-nrf
Análises Químicas por Modelos Profundos Conscientes da Incerteza Associada
Resumo:
A seguinte dissertação apresenta uma solução baseada em visão computacional para estimar a concentração de Cloreto e o nível de pH. A partir de uma metodologia química proposta, são produzidas amostras com reações visualmente distintas, dependendo da concentração. Imagens das amostras são capturadas em um ambiente com iluminação controlada, e técnicas de pré-processamento são aplicadas para segmentar a região de interesse enquanto suprimem elementos de fundo. Cada imagem é então processada por uma Rede Neural Convolucional (CNN), que extrai características de alto nível.
De cada amostra de entrada, um total de $n \times n$ descritores (um por pixel no mapa de características espacialmente alinhado) é extraído, resultando em uma codificação de alta dimensionalidade das características locais da amostra. Essa técnica de amostragem densa serve como uma aproximação de Monte Carlo, tratando os descritores como observações independentes extraídas de uma distribuição latente que caracteriza a imagem. Esses descritores são inseridos em uma Rede Neural Profunda treinada para fazer previsões com base nos dados rotulados.
Após o treinamento, o modelo é capaz tanto de realizar inferência pontual, determinando o valor da concentração do analito de interesse, quanto de encontrar a distribuição latente e resumir múltiplas inferências em estatística descritiva. Com isso, é possível estimar a concentração total do analito bem como a incerteza associada.
Essa incerteza decorre da variabilidade entre as previsões no nível dos descritores (que pode ocorrer devido à diversos fatores, tais como: experiência dos analistas, fabricantes de reagentes, matrizes e dispositivos de captura de imagem) e serve como um indicativo da confiança da inferência do modelo.
Embora aplicada à análise de Cloreto e pH, a abordagem proposta é geral e pode ser estendida para diversas tarefas de análise química, incluindo garantia de qualidade, monitoramento de processos e verificação de conformidade.
Abstract:
This dissertation presents a computer vision-based solution for estimating Chloride concentration and pH level. Based on a proposed chemical methodology, samples are produced with visually distinct reactions depending on the concentration. Images of the samples are captured in a controlled lighting environment, and preprocessing techniques are applied to segment the region of interest while suppressing background elements. Each image is then processed by a Convolutional Neural Network (CNN), which extracts high-level features.
From each input sample, a total of $n\times n$ descriptors (one per pixel in the spatially aligned feature map) is extracted, resulting in a high-dimensional encoding of the sample’s local features. This dense sampling technique serves as a Monte Carlo approximation, treating the descriptors as independent observations drawn from a latent distribution characterizing the image. These descriptors are fed into a Deep Neural Network trained to make predictions based on labeled data.
After training, the model is capable of both performing pointwise inference—determining the value of the the concentration of the analyte of interest and inferring the latent distribution to produce aggregated predictions, summarizing multiple inferences through descriptive statistics. This enables the estimation of both the analyte’s total concentration and the associated uncertainty.
This uncertainty arises from variability in descriptor-level predictions (which may result from various factors such as analyst expertise, reagent manufacturers, sample matrices, and image capturing device) and serves as an indicator of the model’s inference confidence.
Although applied to Chloride and pH analysis, the proposed approach is general and can be extended to a wide range of chemical analysis tasks, including quality assurance, process monitoring, and compliance verification.
Banca examinadora:
Prof. Leandro Augusto Frata Fernandes, UFF – Presidente
Prof. Marcos Vinicius Naves Bêdo, UFF
Prof. Luis Martí Orosa, INRIA-Chile
Profa. Andréa Pereira Parente, UFRJ