Abstract
SISTEMA E MÉTODO DE TREINAMENTO E INFERÊNCIA PARA CLASSIFICAÇÃO DE IMAGENS DE 1 CANAL UTILIZANDO MÁQUINA DE APRENDIZADO EXTREMO CONVOLUCIONAL APRIMORADA E MEIO LEGÍVEL POR COMPUTADOR NÃO TRANSITÓRIO. A presente invenção refere-se a sistema e método para classificação eficiente de imagens monocromáticas através de arquitetura de rede neural denominada E-CELM 1 (Enhanced Convolutional Extreme Learning Machine for 1 Channel). A invenção combina operações convolucionais com filtros determinísticos baseados em princípios físicos de processamento de imagem, redução de dimensionalidade por Análise de Componentes Principais (PCA) e cálculo analítico dos pesos de saída através de regressão ridge. O sistema elimina necessidade de treinamento iterativo por retropropagação, resultando em redução de tempo de treinamento de cinco a dez vezes comparado a redes neurais convolucionais tradicionais, mantendo precisão competitiva. A arquitetura é otimizada para imagens de canal único como radiografias, ultrassonografias, imagens térmicas, microscopia e reconhecimento de caracteres. Aplicações incluem diagnóstico médico, inspeção industrial, biometria, sensoriamento remoto e visão computacional em dispositivos com recursos limitados. A invenção é implementável em diversas plataformas computacionais com suporte a paralelização e quantização para deployment eficiente. As principais vantagens técnicas incluem: treinamento rápido, menor consumo de memória, convergência global garantida, interpretabilidade melhorada e adequação para implementação em dispositivos com recursos computacionais limitados.