Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40853| Título: | Classificação de telas sensíveis ao toque de dispositivos móveis utilizando redes neurais convolucionais |
| Título(s) alternativo(s): | Classification of mobile device touchscreens using convolutional neural networks |
| Autor(es): | Moraes, Felipe Henrique de |
| Orientador(es): | Santos, Davi Pereira dos |
| Palavras-chave: | Redes neurais Telas sensíveis ao toque Processamento de imagens Neural networks Touch screens Image processing |
| Data do documento: | 24-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | MORAES, Felipe Henrique de. Classificação de telas sensíveis ao toque de dispositivos móveis utilizando redes neurais convolucionais. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná (UTFPR), Medianeira, 2025. |
| Resumo: | O presente trabalho aborda o uso de Redes Neurais Convolucionais (RNC) para a classificação de telas sensíveis ao toque de dispositivos móveis, a partir de imagens capturadas em situações nas quais não é possível identificar visualmente o modelo ou obter informações diretas do equipamento. O estudo avaliou quinze modelos distintos, totalizando 1.500 imagens obtidas em ambiente controlado. Foram analisados quatro espaços de cor — Red, Green, Blue (RGB), Hue, Saturation, Value (HSV), Lightness, a, b (LAB) e escala de cinza — e aplicados dois filtros de detecção de bordas (Canny e Laplace). Como ferramenta experimental, utilizou-se a biblioteca TensorFlow em um processo de aprendizado supervisionado com validação cruzada. Os resultados demonstraram que o espaço de cor HSV, na resolução de 64 × 64 pixels, apresentou o melhor desempenho, alcançando acurácia média de 94,4% e função de perda média de 0,314. O teste estatístico de Friedman indicou diferenças significativas entre os métodos testados (p < 0,05), confirmando a superioridade dessa configuração. Conclui-se que o uso de RNC constitui uma abordagem viável e eficiente para a classificação de componentes eletrônicos, apresentando potencial para integração em sistemas automatizados de assistência técnica e triagem de telas sensíveis ao toque. |
| Abstract: | This study addresses the use of RNC for the automatic classification of touch screens from mobile devices, based on images captured in situations where it is not possible to visually identify the model or obtain direct information from the equipment. The study evaluated fifteen different models, totaling 1,500 images collected under controlled conditions. Four color spaces — RGB, HSV, LAB, and grayscale — were analyzed, and two edge detection filters (Canny and Laplace) were applied. As an experimental tool, the TensorFlow library was employed in a supervised learning process with cross-validation. The results showed that the HSV color space at a resolution of 64 × 64 pixels achieved the best performance, reaching an average accuracy of 94.4% and anaverage loss value of 0.314. The Friedman statistical test indicated significant differences among the tested methods (p < 0.05), confirming the superiority of this configuration. It is concluded that the use of RNC constitutes a feasible and efficient approach for classifying electronic components, showing potential for integration into automated systems for technical assistance and touch screen sorting. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40853 |
| Aparece nas coleções: | MD - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| classificacaotelassensiveistoque.pdf | 9,37 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
