Sistemas desenvolvidos para trabalhar com inteligência computacional tornaram-se muito eficientes e, em alguns casos, obtêm resultados mais precisos do que as avaliações feitas por seres humanos. O mesmo pode ser dito dos sistemas de processamento de imagens que têm um imenso potencial para fornecer...

Sistemas desenvolvidos para trabalhar com inteligência computacional tornaram-se muito eficientes e, em alguns casos, obtêm resultados mais precisos do que as avaliações feitas por seres humanos. O mesmo pode ser dito dos sistemas de processamento de imagens que têm um imenso potencial para fornecer dados para profissionais da área médica. Este trabalho propõe uma nova abordagem baseada em ferramentas de Deep Learning utilizando Convolutional Neural Networks (CNN) de acordo com o conceito de Transfer Learning para gerar um framework de inteligência computacional para uso com dispositivos IoT. Em conjunto, o uso destas tecnologias permite criar uma rede social de aprendizado de máquina profundo, permitindo diversos pontos de uso destas soluções colaborarem na construção do aprendizado de métodos de Inteligência Artificial de forma colaborativa e centralizada. A estrutura permite que usuários adicionem suas imagens e realize o treinamento de plataforma quase tão facilmente quanto a criação de pastas e a colocação de arquivos em serviços regulares de armazenamento em nuvem. Além disto, diversos usuários podem interagir em um projeto, adicionando exemplos e usando a ferramenta desenvolvida de forma colaborativa. Para avaliar o sistema, testes foram realizados com 5(cinco) bases de dados, sendo 3(três) de imagens de exames médicos, mais especificamente nódulos pulmonares, acidente vascular cerebral (AVC) e melanoma, e outras 2(duas) de processos industriais, avaliação de couro de cabra e localização de robôs. Nos testes de imagens médicas foi obtida precisão de 100% nas avaliações dos exames de AVC, com a utilização do algoritmo VGG16 combinado ao k-Nearest Neighbour, para o caso dos melanomas a precisão foi de 94% e tempo de processamento de apenas 0,03s, e finalmente para a avaliação dos nódulos pulmonares, o sistema obteve os resultados mais modestos, para o conjunto de bases médicas, tendo obtido a precisão de 89,1%, mesmo assim um resultado muito bom, superior a taxa de acerto de muitos profissionais com boa experiência. No caso das bases industriais foram obtidas precisão de 98,7% para a localização de robôs 82,9% para a avaliação do couro de cabra, resultado muito bons considerados estudos correlatos, o que demonstra a eficácia da aplicação. Do ponto de vista da usabilidade, a proposta deste trabalho mostrou que mesmo pessoas sem conhecimentos de programação e processamento de imagens puderam montar projetos em poucos minutos, o que demonstra a imensa contribuição que esse trabalho pode trazer, inclusive em auxiliar os profissionais médicos na análise de exames complexos mais rapidamente e com precisão. O princípio de uma rede social para aprendizado de máquina profundo permite a construção e definição do problema de forma mais realista e prática, permitindo um aumento da confiabilidade da solução desenvolvida, não apenas de forma técnica com avaliação científica, mas de mercado gerando a solução já no ato do projeto desenvolvido, bem como minimiza o problema de ter variabilidade de imagens significativa para avaliação e solução do problema, visto que o principio da rede social corrobora para esta solução.
Palavras-Chaves: Internet das Coisas, Processamento de Imagens, Rede Social

Systems developed to work with computational intelligence have become very efficient and, in some cases, obtain more accurate results than evaluations made by humans. The same can be said of imaging systems that have immense potential to provide data for medical professionals. This paper proposes a...

Systems developed to work with computational intelligence have become very efficient and, in some cases, obtain more accurate results than evaluations made by humans. The same can be said of imaging systems that have immense potential to provide data for medical professionals. This paper proposes a new approach based on Deep Learning tools using Convolutional Neural Networks (CNN) according to the concept of Transfer Learning to generate a computational intelligence framework for use with IoT devices. Together, the use of these technologies allows to create a social network of deep machine learning, allowing several points of use of these solutions to collaborate in the construction of the learning of Artificial Intelligence methods in a collaborative and centralized way. The framework allows users to add their images and perform platform training almost as easily as creating folders and placing files in regular cloud storage services. In addition, several users can interact in a project, adding examples and using the tool developed in a collaborative way. To evaluate the system, tests were performed with five (5) databases, three (3) of images of medical tests, more specifically pulmonary nodules, stroke and melanoma, and another two (2) evaluation of goat leather and location of robots. In the medical imaging tests, a 100% accuracy was obtained in the evaluations of stroke exams, using the VGG16 algorithm combined with k-Nearest Neighbor, in the case of melanomas the accuracy was 94% and the processing time was only 0, 03s, and finally for the evaluation of the pulmonary nodules, the system obtained the most modest results for the set of medical bases, obtaining a precision of 89.1%, yet a very good result, superior to the rate of correctness of many professionals with good experience. In the case of the industrial bases 98.7% accuracy was obtained for the location of 82.9% robots for the evaluation of goat leather, a very good result considering related studies, which demonstrates the effectiveness of the application. From the point of view of usability, the proposal of this work showed that even people without knowledge of programming and image processing could assemble projects in a few minutes, which demonstrates the immense contribution that this work can bring, including assisting medical professionals in the analysis of complex exams faster and more accurately. The principle of a social network for deep machine learning allows the construction and definition of the problem in a more realistic and practical way, allowing an increase in the reliability of the developed solution, not only in a technical way with scientific evaluation, but in the market generating the solution already in the act of the developed project, as well as minimizes the problem of having significant variability of images for evaluation and solution of the problem, since the principle of the social network corroborates for this solution.
keywords: Internet of Things, Imaging Processing, Social Network