Uso de redes neurais convolucionais para identificação de substâncias utilizando imagens de sensores baseados em ressonância de plasmon de superfície

Abstract

Várias tecnologias vêm sendo propostas nas últimas décadas para realizar sensoriamento devido ao aumento da conscientização sobre o monitoramento e detecção de substâncias, à preferência por métodos não invasivos, à identificação em tempo real e à digitalização de informações. Dentre os sensores e biossensores existentes, os ópticos baseados no fenômeno físico da ressonância de plasmon de superfície (SPR, sigla em inglês para Surface Plasmon Resonance) são instrumentos bem estabelecidos para estudar interações moleculares em tempo real, em analitos aquosos ou gasosos. Os sensores SPR rastreiam a posição de ressonância através do valor mínimo de refletividade, obtido ao iluminar a estrutura multicamada. A luz refletida é o sinal captado por um detector de imagem, o qual gera uma imagem que pode ser utilizada diretamente para o sensoriamento ou usada para gerar curvas SPR que representam graficamente a ressonância. O presente trabalho busca apresentar um método de deep learning para identificar substâncias de diferentes índices de refração a partir da análise de imagens SPR. A pesquisa aqui desenvolvida utiliza do fato de que CNNs são propostas para aprender imagens e tomar decisões. Foram comparados o desempenho de 7 (sete) modelos de arquitetura de CNNs na classificação de imagens obtidas por um sensor SPR, de acordo com os índices de refração de substâncias aquosas. Para treinar, validar e testar essas arquiteturas, este trabalho criou um banco de imagens simuladas, baseadas em um modelo que relacionam o índice de refração, a posição de ressonância, distribuição pixel-ângulo e aplicação de processamento digital de imagens. Os modelos treinados foram salvos e validados com as imagens experimentais, comprovando que 5 (cinco) dos modelos sugeridos podem ser usados para classificar de forma rápida e simples imagens obtidas por sensor SPR.