Detecção de placas veiculares em ambientes não controlados via redes convolucionais leves
| dc.contributor.advisor | Cristhian Heck, M.Eng | |
| dc.contributor.author | Back, João Paulo | |
| dc.contributor.valuer | Daniel Gomes Soares, Msc | |
| dc.contributor.valuer | André Alessandro Stein, Msc | |
| dc.date.accessioned | 2023-09-19T18:05:47Z | |
| dc.date.available | 2023-09-19T18:05:47Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Com a crescente frota de automóveis ao redor do mundo, a construção de modelos que reconhecem placas veiculares, ou ALPR, tornou-se uma ferramenta de suma importância para a fiscalização e análise do tráfego de veículos. À vista disso, em um sistema ALPR estão envolvidas fases como a de segmentação, reconhecimento e também a de detecção da placa veicular. Durante a etapa detecção, pode-se surgir diversos complicadores, tais como a detecção em ambientes com variações climáticas, ângulo ou luminosidade. Essas complicações podem ser contornadas através da utilização de métodos de aprendizado profundo, mais especificamente Redes Neurais Convolucionais, ou CNNs, que utilizam múltiplas camadas de processamento. A utilização de métodos com estas características pode levar a um aumento excessivo do uso de recursos computacionais, sendo consequentemente impróprio pra muitos tipos de aplicações. Dessa forma, neste trabalho foram propostos modelos de CNN leves, na qual estes não apresentem um custo computacional excessivo, sendo o local de estudo escolhido o de ambientes não controlados. Para alcançar os objetivos do trabalho, inicialmente foi realizado uma revisão bibliográfica com o objetivo de identificar os modelos que têm sido utilizados na detecção de placas veiculares para ambientes não controlados e também identificar quais foram as variáveis utilizadas nos experimentos. Essa análise forneceu a pergunta de pesquisa proposta neste trabalho, que é a de verificar se é possível obter resultados competitivos na detecção de placas veiculares através de modelos de CNN leves em relação à abordagem tradicional. Posteriormente, foi realizado a construção e o treinamento dos modelos que utilizam mais camadas convolucionais (tradicionais), e de modelos que utilizam menos camadas convolucionais (leves), em diversas configurações de parâmetros. O desempenho dos modelos foi analisado por meio de métricas utilizadas na detecção de objetos e gráficos. Em especial, nos testes com dois conjuntos de imagens da CCPD, os modelos leves alcançaram a mesma eficácia dos modelos tradicionais, porém com uma velocidade de detecção 3 a 5 vezes menor. Dessa forma, os resultados demonstram que é possível utilizar redes de CNN leves para detectar placas veiculares em ambientes não controlados, tanto em termos de eficácia, quanto de eficiência. | |
| dc.identifier.uri | http://200.135.58.21/handle/repositorio/146 | |
| dc.language.iso | pt | |
| dc.subject | Detecção de Placas Veiculares | |
| dc.subject | Redes Neurais Convolucionais | |
| dc.subject | Inteligência Artificial | |
| dc.title | Detecção de placas veiculares em ambientes não controlados via redes convolucionais leves | |
| dc.type | Article |