Manuscritus

Ferramenta para Identificação de Autoria de Manuscritos utilizando características grafométricas.

Descrição do Projeto

Este projeto foi desenvolvido como parte do Trabalho de Conclusão de Curso (TCC) apresentado à Universidade Estadual de Maringá (UEM). A ferramenta propõe um método computacional para identificação de autoria de manuscritos, utilizando técnicas de aprendizado de máquina e características grafométricas extraídas de cartas manuscritas.

Funcionalidades

• Pré-processamento de imagens: Binarização, dilatação, erosão e extração de bordas.
• Extração de características: Foco na característica de inclinação axial para análise grafométrica.
• Treinamento e avaliação de modelos: Utilização de algoritmos SVM e Random Forest.
• Interface web: Permite configurações de parâmetros e visualização dos resultados.

Tecnologias Utilizadas

Backend:

• Linguagem: Python
• Bibliotecas:
  • OpenCV: Processamento de imagens.
  • Scikit-learn: Treinamento de modelos de aprendizado de máquina.
  • FastAPI: Criação da API para comunicação entre frontend e backend.

Frontend:

• Linguagem: TypeScript
• Frameworks:
  • ReactJS: Construção da interface.
  • Next.js: Estruturação do frontend.

Ferramentas Adicionais:

• Prototipação da interface com Figma.
• Organização de dados com arquivos CSV.

Estrutura do Repositório

• backend/: Contém o código relacionado ao processamento de imagens, extração de características e treinamento dos modelos.
• frontend/: Inclui o código da interface web para interação com a ferramenta.

Como Executar

Pré-requisitos

• Python 3.8 ou superior
• Pip
• Node.js 18 ou superior

Configuração do Backend

1. Clone o repositório:

   git clone https://github.com/yuripiresalves/manuscritus.git
2. Acesse o diretório do backend:

   cd manuscritus/backend
3. Instale as dependências:

   pip install -r requirements.txt
4. Execute o servidor FastAPI:

   uvicorn src.server:app --reload

Configuração do Frontend

1. Acesse o diretório do frontend:

   cd manuscritus/frontend
2. Crie um arquivo .env na raiz do projeto e adicione a seguinte variável de ambiente:

   NEXT_PUBLIC_API_URL="http://localhost:8000"
3. Instale as dependências:

   npm install
4. Inicie o servidor de desenvolvimento:

   npm run dev

Uso da Ferramenta

1. Acesse a interface web no navegador, disponível em http://localhost:3000.
2. Configure os parâmetros desejados, como número de autores e algoritmos de classificação.
3. Execute os experimentos e visualize os resultados.

Resultados dos Experimentos

Os experimentos realizados mostraram que o SVM otimizado por Grid Search apresentou o melhor desempenho, com acurácia de até 95% para conjuntos menores de autores. Mais detalhes podem ser encontrados na seção de resultados do TCC.

Autor

Yuri Pires Alves
Orientadora: Profª. Drª. Aline Maria Malachini Miotto Amaral