Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40846| Título: | Sistema de detecção e classificação multirrótulo de erros de aquisição em imagens de impressões digitais neonatais |
| Título(s) alternativo(s): | System for detection and multi-label classification of acquisition errors in neonatal fingerprints images |
| Autor(es): | Oliveira, Matheus Augusto de Paula |
| Orientador(es): | Casanova, Dalcimar |
| Palavras-chave: | Impressão digital (Computação) Recém-nascidos Redes neurais (Computação) Controle de qualidade Textile printing Newborn infants Neural networks (Computer science) Quality control |
| Data do documento: | 24-Jun-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | OLIVEIRA, Matheus Augusto de Paula. Sistema de detecção e classificação multirrótulo de erros de aquisição em imagens de impressões digitais neonatais. 2026. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2026. |
| Resumo: | A identificação de recém-nascidos contribui para a rastreabilidade clínica, a associação correta entre paciente e registro e a redução de inconsistências no atendimento. A impressão digital é uma modalidade biométrica utilizada para o reconhecimento de indivíduos, mas a aquisição de imagens neonatais apresenta desafios específicos: as cristas papilares são estreitas, a pele é suscetível à deformação, o dedo se move com facilidade e o sensor pode acumular resíduos durante o procedimento. Nesse contexto, métricas escalares de qualidade, como o NIST Fingerprint Image Quality 2 (NFIQ2), são úteis para resumir a qualidade da imagem, mas não informam ao operador o tipo de erro presente nem a ação corretiva correspondente. Neste trabalho foi desenvolvido e avaliado um sistema de detecção multirrótulo de erros de aquisição observáveis em imagens de impressões digitais neonatais, concebido como complemento a essas métricas por fornecer rótulos acionáveis e feedback operacional em tempo real ao operador durante a aquisição. O método incluiu a formalização de um catálogo com nove rótulos de erro ou qualidade, a definição de uma escala de severidade, o uso da ferramenta de anotação BenaPRO, a preparação de uma base tabular rastreável, a aplicação de regras de consistência, o particionamento por recém-nascido e o treinamento de um classificador EfficientNet-B0 com saída multirrótulo. A base final rotulada utilizada no desenvolvimento e na avaliação do classificador foi composta por 793 imagens, distribuídas entre os conjuntos de treinamento, validação e teste. O modelo foi avaliado com limiares calibrados por rótulo e métricas de classificação multirrótulo. No conjunto de teste, o classificador obteve Macro-F1-score de 0,384, Micro-F1-score de 0,478 e mAP de 0,460. O desempenho variou entre os rótulos, com limitações nas classes de menor suporte. A latência média de inferência foi de aproximadamente 0,013 s por imagem em CPU, com custo computacional estimado em 0,385 GMACs para entradas de 224 x 224 píxeis, indicando compatibilidade temporal com o uso proposto. Os resultados indicam a viabilidade técnica da abordagem multirrótulo para apoio à identificação de erros de aquisição, embora a aplicação em ambiente operacional ainda dependa da integração e da avaliação do sistema no fluxo de aquisição. |
| Abstract: | Newborn identification contributes to clinical traceability, the correct association between the patient and the medical record, and the reduction of inconsistencies in care. Fingerprint recognition is a biometric modality used to identify individuals, but the acquisition of neonatal images presents specific challenges: papillary ridges are narrow, the skin is susceptible to deformation, the finger moves easily, and the sensor may accumulate residues during the procedure. In this context, scalar quality metrics, such as the NIST Fingerprint Image Quality 2 (NFIQ2), are useful for summarizing image quality, but they do not inform the operator of the type of error present or the corresponding corrective action. In this work, a multi-label system for detecting acquisition errors observable in neonatal fingerprint images was developed and evaluated. The system was conceived as a complement to these metrics by providing actionable labels and real-time operational feedback to the operator during acquisition. The method included the formalization of a catalog with nine error or quality labels, the definition of a severity scale, the use of the BenaPRO annotation tool, the preparation of a traceable tabular dataset, the application of consistency rules, partitioning by newborn, and the training of an EfficientNet-B0 classifier with multi-label output. The final labeled dataset used in the development and evaluation of the classifier comprised 793 images, distributed among the training, validation, and test sets. The model was evaluated with label-calibrated thresholds and multi-label classification metrics. On the test set, the classifier achieved a Macro-F1-score of 0.384, a Micro-F1-score of 0.478, and an mAP of 0.460. Performance varied across labels, with limitations in the classes with lower support. The average inference latency was approximately 0.013 s per image on CPU, with an estimated computational cost of 0.385 GMACs for 224 x 224 pixel inputs, indicating temporal compatibility with the proposed use. The results indicate the technical feasibility of the multi-label approach to support the identification of acquisition errors, although application in an operational environment still depends on the integration and evaluation of the system in the acquisition workflow. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40846 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| sistemadeteccaoclassificacaomultirrotulo.pdf | 89,33 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
