Navegando por Assunto "Computer vision"

Agora exibindo 1 - 6 de 6

Acesso aberto (Open Access)
Deep learning in education 5.0: proposing 3d geometric shapes classification model to improve learning on a metaverse application
(Universidade Federal do Pará, 2024-01-18) SANTOS, Adriano Madureira dos; SERUFFO, Marcos César da Rocha; http://lattes.cnpq.br/3794198610723464; https://orcid.org/0000-0002-8106-0560
O sistema educacional brasileiro enfrenta desafios significativos, conforme evidenciado pelos baixos índices de avaliação do desenvolvimento educacional. Devido ao modelo educacional tradicional empregado no país, há dificuldades na transmissão efetiva de conteúdos complexos, levando a altos índices de fracasso escolar e consequente evasão escolar. A falta de inovação, especialmente em ambientes de educação básica, contribui para um cenário de baixa proficiência matemática entre os estudantes brasileiros. Neste contexto, este trabalho surge como resultado de uma inovação desenvolvida para aprimorar a aplicação Geometa, desenvolvida pela empresa Inteceleri, através da integração das tecnologias de Metaverso e Inteligência Artificial para criar um ambiente educacional imersivo e interativo. A intenção é refinar a Inteligência Artificial para o reconhecimento de formas geométricas tridimensionais em tempo real a partir de imagens de objetos reais. A proposta visa mitigar desafios enfrentados no ensino básico de matemática no Brasil por meio da adoção de abordagens tecnológicas inovadoras alinhadas à Educação 5.0, que possam ser replicadas para tecnologias similares envolvendo o Metaverso. Além disso, pretende-se também criar um ambiente educativo dinâmico e sustentável que não só facilite a compreensão de conceitos matemáticos, mas também promova a participação ativa dos alunos, incentivando a sua criatividade e autonomia no processo de aprendizagem. O método utilizado baseia-se na reclassificação de imagens do conjunto de dados ObjectNet de objetos para formas geométricas tridimensionais. As imagens reclassificadas são usadas para treinar os modelos CNN, MobileNet, ResNet, ResNeXt, ViT e BEiT de Aprendizado Profundo, os quais são posteriormente avaliados por meio de medidas de desempenho de Aprendizado de Máquina, tempo de inferência e dimensão. Por fim, o modelo de Inteligência Artificial de melhor desempenho é selecionado para futura integração no Geometa. Como contribuições deste trabalho foram realizados: (i) os modelos definidos foram treinados para o reconhecimento de formas geométricas tridimensionais; (ii) os modelos foram avaliados por meio de medidas de desempenho de Aprendizado de Máquina, tempo de inferência e dimensão; e (iii) o modelo de melhor desempenho foi selecionado considerando a maior assertividade e suavidade com base na análise de desempenho dos modelos. Quanto aos resultados obtidos, o ResNet superou o BEiT, modelo com o segundo melhor desempenho, em 5% de Precisão e 5 Inferência por Segundo. Por fim, o modelo ResNet atingiu 84% de Precisão e 9 Inferências por Segundo, sendo apontado como a Inteligência Artificial de melhor desempenho para fluxo de integração com a aplicação Geometa.
Acesso aberto (Open Access)
Detecção de danos em superfícies geotécnicas com redes neurais convolucionais de baixa complexidade
(Universidade Federal do Pará, 2024-05-29) ARAÚJO, Thabatta Moreira Alves de; FRANCÊS, Carlos Renato Lisboa; ttp://lattes.cnpq.br/7458287841862567
A maioria dos desastres naturais resulta de eventos geodinâmicos, como deslizamentos de terra e colapso de estruturas geotécnicas. Essas falhas causam catástrofes que impactam diretamente o meio ambiente e causam perdas financeiras e humanas. A inspeção visual é o principal método para detectar falhas em superfícies de estruturas geotécnicas. Todavia, as visitas no local podem ser arriscadas devido à possibilidade de solo instável. Além disso, o design do terreno e as condições de instalação hostis e remotas inviabilizam o acesso a essas estruturas. Quando uma avaliação rápida e segura é necessária, a análise por visão computacional torna-se uma alternativa. No entanto, estudos em técnicas de visão computacional ainda precisam ser explorados neste campo devido às particularidades da engenharia geotécnica, como dados públicos limitados, redundantes e escassos. Neste contexto, esta tese apresenta uma abordagem com Redes Neurais Convolucionais para a identificação de defeitos na superfície de estruturas geotécnicas com o objetivo de reduzir a dependência de inspeções no local conduzidas por humanos. Para tanto, foram coletadas imagens de taludes às margens de uma rodovia brasileira, com o auxílio de veículo aéreo não tripulado (VANT) e dispositivos móveis. Em seguida, foram exploradas arquiteturas de baixa complexidade para construir um classificador binário capaz de detectar em imagens falhas aparentes a olho nu humano. A arquitetura composta por 3 camadas convolucionais, cada uma com 32 filtros, seguidas por duas camadas densas de 128 neurônios cada, e saída com um neurônio apresentou acurácia de 94,26%. A avaliação de desempenho com o conjunto de teste obteve índice AUC de 0,99, matriz de confusão e precisão-revocação (AUPRC) que indicam desempenho robusto do classificador mesmo com desequilíbrio de classes, ao mesmo tempo que mantém uma baixa complexidade computacional, tornando-a adequada para aplicações práticas em campo. As contribuições da tese incluem a disponibilização de banco de imagens, a obtenção de um modelo de classificação adequado para dados escassos e desequilibrados e recursos computacionais limitados, e uma estratégia para automação da inspeção em estruturas geotécnicas.
Acesso aberto (Open Access)
Detecção e rastreamento de componentes de vagões ferroviários utilizando redes neurais convolucionais e restricões geométricas
(Universidade Federal do Pará, 2020-04-27) GONÇALVES, Camilo Lélis Assis; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609
A inspeção de componentes de trem que podem causar descarrilamento possui um papel importante na manutenção ferroviária. A fim de aumentar a produtividade e a segurança, empresas prestadoras de serviços procuram por soluções de inspeção automáticas e confiáveis. Apesar da inspeção automática baseada em visão computacional ser um conceito consolidado, tais aplicações desafiam a comunidade de desenvolvimento em razão de fatores ambientais e logísticos a serem considerados. Este trabalho propõe uma técnica de detecção e estimativa das posições das regiões de dreno presentes em vagões de trem. Nosso detector/rastreador consiste em uma rede neural convolucional e um conjunto de restrições geométricas, que levam em conta a trajetória ideal dos componentes de interesse dos vagões e as distâncias entre eles. Detalhamos os procedimentos de treinamento e validação, juntamente com as métricas utilizadas para aferir a performance do sistema proposto. Os resultados apresentados são comparados com outras duas técnicas, e exibem um bom custo‑benefício entre confiança e complexidade computacional para a detecção dos componentes de interesse.
Acesso aberto (Open Access)
Estimativa Volumétrica de Resíduos Sólidos Urbanos em Imagem de Visualização Única.
(Universidade Federal do Pará, 2024-09-02) AZANCORT NETO, Júlio Leite; FRANCÊS, Carlos Renato Lisboa; http://lattes.cnpq.br/7458287841862567
A gestão eficiente de resíduos sólidos é crucial para manter a cidade limpa e sustentável. Este trabalho apresenta uma metodologia que utiliza algoritmos bem estabelecidos para a estimativa de volume na gestão de resíduos sólidos urbanos a partir de imagens de única visualização. O sistema proposto baseia-se em conceitos e modelos de visão computacional de última geração, incluindo segmentação de instâncias, estimativa de profundidade e cálculo de volume baseado em nuvem de pontos. A metodologia demonstrou a capacidade de estimar com precisão o volume de objetos de resíduos sólidos, tanto individuais quanto múltiplos, em imagens. A abordagem foi avaliada utilizando dados do mundo real. Apesar dos desafios, como o reescalonamento manual de distâncias e conjuntos de dados limitados, o sistema possui um potencial considerável para refinamento e aprimoramento, visando cenários complexos como os urbanos reais. Os resultados numéricos mostraram que o sistema proposto é promissor mesmo em cenários complexos, com valores de erro percentual absoluto médio (MAPE) de 8,60% para resíduos únicos e 9.23% para resíduos múltiplos, resultando em uma média geral de 8.91%. O coeficiente de determinação foi de 95.11% para instâncias únicas e 87.64% para múltiplas. A metodologia proposta contribui significativamente para o avanço das tecnologias de gestão em smart cities.
Acesso aberto (Open Access)
Identificacao de larvas de mosquitos do genero aedes utilizando redes neurais convolucionais
(Universidade Federal do Pará, 2023-09-29) SILVA, Romário da Costa; FERREIRA JÚNIOR, José Jailton Henrique; http://lattes.cnpq.br/9031636126268760; FRANCÊS, Carlos Renato Lisboa
As arboviroses transmitidas pelos mosquitos do gênero Aedes constituem uma séria ameaça à saúde pública. A detecção e o controle desses vetores são fundamentais para prevenir surtos de doenças, incluindo Dengue, Chikungunya, Zika e Febre Amarela. As técnicas de visão computacional e aprendizagem profunda tem sido cada vez mais utilizadas no controle epidemiológico, principalmente, no que tange à classificação e detecção destes mosquitos. Nesse sentido, propõe-se três modelos voltados para classificação, detecção e segmentação de larvas dos mosquitos baseado na utilização de redes neurais convolucionais (CNN) e algoritmos de detecção de objetos (YOLO). Para tanto, foi criado um conjunto de dados (dataset) próprio para treinamento. O dataset é composto por imagens de larvas, sendo categorizadas entre as classes Aedes e Não Aedes. Os resultados obtidos indicam que os modelos propostos se apresentam como estratégias promissoras e alcançaram valores de acurácia de 86,71%, mAP (Mean Average Precision) de 88,3% e 95,7% para as tarefas de classificação, detecção e segmentação, respectivamente.
Acesso aberto (Open Access)
Redes Neurais Convolucionais para Auxiliar no Diagnóstico de Exames Preventivo de Colo de Útero.
(Universidade Federal do Pará, 2024-09-18) COSTA, Edriane do Socorro Silva; FRANCÊS, Carlos Renato Lisboa; http://lattes.cnpq.br/7458287841862567
O exame preventivo de colo de útero é um método de triagem amplamente utilizado para detectar câncer cervical e lesões pré-cancerosas. A classificação automatizada dos resultados pode auxiliar os profissionais de saúde a identificar com precisão padrões de citologia anormais, aumentando a acurácia e a consistência na detecção de anomalias. Além disso, a sistematização dessa solução pode reduzir o tempo de análise e os custos associados, possibilitando a disponibilização de um pré-diagnóstico imediato, especialmente em áreas remotas. Essa abordagem também possui potencial para integração em sistemas de saúde pública, contribuindo para um atendimento mais eficiente e acessível. Assim, este estudo propõe a aplicação dos modelos pré-treinados de rede neurais convolucionais VGG16 e VGG19 para classificação das imagens resultantes da técnica de citologia em base líquida, fazendo um comparativo de desempenho entre a classificação de 4 classes ou de 2 classes com dados balanceados e desbalanceados. Testou-se varias arquiteturas e como resultados foram obtidas acurácias de até 98% obtendo também boas métricas de classificação, mostrando-se como potencial solução para auxilio de profissionais da saúde em uma classificação mais assertiva desses resultados.