Skip navigation
Use este identificador para citar ou linkar para este item: https://repositorio.ufpe.br/handle/123456789/65656

Compartilhe esta página

Título: Captura de valores glicêmicos em glicosímetros utilizando deep learning: estudo de viabilidade com YOLO
Autor(es): CRUZ NETO, Pedro Cecílio da
Palavras-chave: visão computacional; aprendizado profundo; reconhecimento óptico de caracteres; monitoramento de diabetes; diabetes mellitus; monitoramento glicêmico; You Only Look Once; yolo
Data do documento: 6-Ago-2025
Citação: CRUZ NETO, Pedro Cecílio da. Captura de valores glicêmicos em glicosímetros utilizando deep learning: estudo de viabilidade com YOLO. 2025. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Universidade Federal de Pernambuco, Centro de Informática, Recife, 2025.
Abstract: O monitoramento regular da glicemia é essencial para o controle do diabetes, especialmente entre usuários de glicosímetros sem conectividade digital. Neste contexto, este trabalho propõe uma solução baseada em visão computacional para automatizar a leitura dos valores exibidos em displays de sete segmentos desses dispositivos. A abordagem utiliza o modelo YOLOv8, uma arquitetura de detecção de objetos de única etapa (single-stage), para identificar simultaneamente os dígitos individuais presentes na tela. A partir dessas detecções, é aplicada uma heurística de ordenação posicional que reconstrói automaticamente o valor glicêmico exibido. Foram avaliadas diferentes versões do modelo (v8n, v8m, v8l, v8x), sendo o YOLOv8m (medium) o que apresentou melhor desempenho, alcançando 94,10% de precisão, 93,41% de revocação e mAP@0.5 de 94,98%. Os resultados demonstram a viabilidade técnica da proposta e sua potencial aplicação em sistemas móveis de baixo custo ou plataformas de saúde digital. A solução apresenta vantagens significativas sobre métodos tradicionais baseados em OCR, especialmente pela robustez em condições adversas de iluminação e ângulo. Este trabalho contribui para a construção de alternativas na automação no monitoramento glicêmico e abre caminhos para futuras implementações em ambientes clínicos e de saúde pública.
Descrição: 9
URI: https://repositorio.ufpe.br/handle/123456789/65656
Aparece nas coleções:(TCC) - Sistemas da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TCC Pedro Cecílio da Cruz Neto.pdf4,48 MBAdobe PDFVisualizar/Abrir


Este arquivo é protegido por direitos autorais



Este item está licenciada sob uma Licença Creative Commons Creative Commons