Aplicação do OpenCV utilizando técnicas de visão computacional e segmentação de imagens para reconhecimento de colônias bacterianas em análises microbiológicas de qualidade de água

Authors

  • Hebe Morganne Campos Ribeiro
  • Ailson Renan Santos Picanço
  • Caroline Nunes Carr
  • Estêvão Damasceno Santos
  • Djunio Rosa de Melo Filho
  • Tayany Coelho de Almeida
  • Antonio Casanova Junior da Silva Lima
  • Andre Fernandes Vieira
  • Gustavo Casanova Oliveira
  • Isabela Hadassa Fernandes Dias
  • Ivan de Jesus Coelho Correa Junior
  • Kauan da Silva Pacheco
  • Ryan Dias da Silva

DOI:

https://doi.org/10.54033/cadpedv21n6-040

Keywords:

Visão Computacional, Segmentação de Imagens, OpenCV, Reconhecimento de Colônias Bacterianas

Abstract

Ao decorrer deste artigo, exploraremos a aplicação do OpenCV em conjunto com técnicas de visão computacional e segmentação de imagens para o reconhecimento de colônias bacterianas em análises laboratoriais. Investigaremos como o avanço tecnológico, particularmente no campo do reconhecimento visual de imagens, complementa e melhora os estudos e atividades laboratoriais. Discutiremos as ferramentas utilizadas e como desempenham suas funções específicas, visando automatizar tarefas de análise de imagens e potencializar os resultados obtidos. O reconhecimento de colônias bacterianas em análises laboratoriais é uma tarefa importante, mas muitas vezes demorada e suscetível a erros humanos. A detecção de colônias bacterianas em análises laboratoriais é uma tarefa desafiadora, muitas vezes realizada manualmente e sujeita a imprecisões. Para melhorar esse processo, este estudo propõe uma abordagem baseada em recursos visuais, como segmentação de imagens e visão computacional. Utilizando a biblioteca OpenCV, reconhecida por sua eficácia no processamento de imagens, desenvolveu-se uma metodologia para o reconhecimento automático de colônias bacterianas em placas de Petri. Essa abordagem visa aprimorar a eficiência e a precisão das análises laboratoriais, oferecendo uma solução para aplicações biomédicas e de pesquisa. A metodologia inclui o uso de algoritmos e operações para identificar e quantificar com precisão as colônias presentes nas imagens. Os métodos utilizados são discutidos ao decorrer deste artigo, demonstrando uma abordagem promissora para otimizar a análise de amostras bacterianas em ambientes laboratoriais, oferecendo maior eficiência e confiabilidade nos resultados. Ao fornecer uma alternativa mais rápida e precisa para a detecção de colônias bacterianas, essa pesquisa tem o potencial de impactar positivamente a eficiência dos processos laboratoriais, reduzindo erros e tempo de análise. Além disso, abre caminho para futuros estudos que possam aprimorar ainda mais essas técnicas e aplicá-las em diversos contextos científicos e médicos.

References

ALMEIDA. Trabalhando computação científica com Python. Disponível em: https://www.alura.com.br/artigos/numpy-computacao-cientifica-com-python. Acesso em: 17 abr. 2024.

BACTÉRIAS que podem estar presentes em sistemas de água. Disponível em: https://microambiental.com.br/analises-de-agua/conheca-as-bacterias-que-podem-estar-presentes-em-sistemas-de-agua/. Acesso em: 17 abr. 2024.

BALDIN, C. P., SCHAMBECK, M. M., MATOS, S. D., CRESCENCIO, W. (2019). A inteligência artificial na Automatização de Processos.

BRADLEY, W. Perspectives on the integration between first-principles and data-driven modeling. Computers & Chemical Engineering, v. 166, p. 107898, 2022.

CAMPANA, G. A.; OPLUSTIL, C. P. Conceitos de automação na medicina laboratorial: revisão de literatura. Jornal Brasileiro de Patologia e Medicina Laboratorial, v. 47, p. 119-127, 2011.

CAVALCANTE, M. M. Aplicação da Análise de Componentes Principais na Identificação de Tipos Sanguíneos em Tubos de Ensaios. 2017. Dissertação de Mestrado.

DE GODOY, H. A. Contribuições para a detecção de bactérias em ambientes hospitalares utilizando imunossensores eletroquímicos. 2021.

DE SOUZA, V, L. Segmentação de imagens de microrganismos para tarefas preditivas. In: VI Congresso de Ciência e Tecnologia da UTFPR-DV, VI CCT-UTFPR-DV. UTFPR Câmpus Dois Vizinhos Dois Vizinhos, PR (Online), 2021. p. 1-3.

DIAS, C. Inteligência artificial e inovações tecnológicas em saúde: desafios e perspectivas. [S.l.: s.n.], [s.d.]. Disponível em: https://aprepro.org.br/

conbrepro/2019/anais/arquivos/10172019_221047_5da911cbbb7d5.pdf. Acesso em: 17 abr. 2024.

FACCIO, T. A. Análise de características em imagens digitais na tarefa de segmentação interativa. 2020.

GARCIA, M. L.; MACIEL, N. F. Inteligência artificial no acesso a saúde: Reflexões sobre a utilização da telemedicina em tempos de pandemia. Revista Eletrônica Direito e Política, v. 15, n. 2, p. 623-643, 2020.

MATOS, F. F., REIS, Z. S. N; SOUZA, R. R. Análise de dados na saúde obstétrica: um estudo de dados para captura de características e padrões em documentos de planos de parto automatizado. Revista Múltiplos Olhares em Ciência da Informação, 2020.

MONTEIRO, A. C. B. Proposta de uma metodologia de segmentação de imagens para detecção e contagem de hemácias e leucócitos através do algoritmo WT-MO. 2019. Tese de Doutorado. [sn].

NETO, C. D. do N.; BORGES, K. F. L.; PENINA, P. de O.; PEREIRA, A. L. Inteligência artificial e novas tecnologias em saúde: desafios e perspectivas / Artificial intelligence and new health technologies: Challenges and prospects. Brazilian Journal of Development, [S. l.], v. 6, n. 2, p. 9431–9445, 2020. DOI: 10.34117/bjdv6n2-306. Disponível em: https://ojs.brazilianjournals.com.

br/ojs/index.php/BRJD/article/view/7210. Acesso em: 23 apr. 2024.

PEDRO, J. Tecnologia na saúde: o que é, vantagens e tendências. STAR Telerradiologia, 15 jun. 2022. Disponível em: https://star.med.br/tecnologia-na-saude-o-que-e/. Acesso em: 16 abr. 2024

RATTMANN, A. C. Processamento de imagens digitais para identificação e contagem de núcleos nas fases da mitose em lâminas de teste de Allium cepa. 2018.

RIEDEL, S. Microbiologia Médica de Jawetz, Melnick & Adelberg-28. McGraw Hill Brasil, 2022.

SAJEDI, H., MOHAMMADIPANAH, F.; PASHAEI, A. Análise de taxonomia baseada em processamento de imagem de macromorfologia bacteriana usando modelos de aprendizado de máquina. Multimedia Tools and Applications, v. 79, p. 32711–32730, 2020.

SANTANA, F. P., Métodos computacionais para o cálculo na densidade superficial bacteriana em placa de Petri como indicador de infecção urinária. 2018.

SILVA, L. M. G. Detecção de colônias de bactérias utilizando visão computacional. repositorio.pucgoias.edu.br, 2 dez. 2020.

SILVA, L. M. G. Detecção de colônias de bactérias utilizando visão computacional. 2020.

TAVARES, U. Uma introdução ao OpenCV. Disponível em: https://www.dio.me/articles/uma-introducao-ao-opencv. Acesso em: 17 abr. 2024.

VICENTE, C. Influence of fused deposition modeling parameters on the mechanical properties of ABS parts. Polymers for Advanced Technologies, v. 31, n. 3, p. 501-507, 2020.

Published

2024-06-05

How to Cite

Ribeiro, H. M. C., Picanço, A. R. S., Carr, C. N., Santos, E. D., Melo Filho, D. R. de, Almeida, T. C. de, Lima, A. C. J. da S., Vieira, A. F., Oliveira, G. C., Dias, I. H. F., Correa Junior, I. de J. C., Pacheco, K. da S., & Silva, R. D. da. (2024). Aplicação do OpenCV utilizando técnicas de visão computacional e segmentação de imagens para reconhecimento de colônias bacterianas em análises microbiológicas de qualidade de água. Caderno Pedagógico, 21(6), e4235. https://doi.org/10.54033/cadpedv21n6-040

Issue

Section

Articles