Classificação de vidros com base no teor de óxidos utilizando redes neurais artificiais

Abstract

Este trabalho visa a classificação de amostras de vidro com base em suas composições de óxidos, utilizando Redes Neurais Artificiais (RNAs) como metodologia de análise. A relevância deste estudo está na aplicação de técnicas de inteligência artificial no contexto forense, permitindo a identificação rápida e precisa de fragmentos de vidro encontrados em cenas de crime. Para isso, foi utilizada a base de dados Glass Identification, contendo 214 amostras de vidro classificadas em seis categorias, considerando a composição de óxidos de cada uma das amostras. O modelo de RNA foi desenvolvido e treinado no software MATLAB, onde foram testados três algoritmos de aprendizado — Retropropagação de Erros, Gradiente Conjugado Escalonado e Levenberg-Marquardt — com o último apresentando o melhor desempenho entre eles. O resultado obtido foi uma taxa de acerto de 90,19%, demonstrando a eficácia das RNAs na classificação de diferentes tipos de vidro. Concluiu-se que as redes neurais são ferramentas promissoras para a análise forense de vidros, pois aprimoram a precisão e agilidade na identificação de amostras, contribuindo para a investigação criminal. Contudo, limitações na distribuição de amostras na base de dados e o potencial de overfitting destacam a necessidade de estudos adicionais com bases de dados mais balanceadas.

This study aims to classify glass samples based on their oxide compositions, using Artificial Neural Networks (ANNs) as an analytical methodology. The relevance of this research lies in the application of artificial intelligence techniques within forensic science, enabling the rapid and accurate identification of glass fragments found at crime scenes. For this purpose, the Glass Identification dataset was used, containing 214 glass samples classified into six categories, considering oxide composition of each sample. The ANN model was developed and trained in MATLAB, where three learning algorithms were tested — Error Backpropagation, Scaled Conjugate Gradient, and Levenberg-Marquardt — with the latter yielding the best performance. The model achieved an accuracy rate of 90,19%, demonstrating the effectiveness of ANNs in classifying different types of glass. It was concluded that neural networks are promising tools for forensic glass analysis, enhancing both precision and efficiency in sample identification, thus supporting criminal investigations. However, limitations in the data sample distribution and the potential for overfitting highlight the need for further studies using more balanced datasets.