Navegando por Assunto "Deep learning"

Agora exibindo 1 - 12 de 12

Acesso aberto (Open Access)
Beam tracking using deep learning applied to 6G MIMO
(Universidade Federal do Pará, 2024-12-16) OLIVEIRA, Ailton Pinto de; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
ste trabalho explora a aplicação de aprendizado de máquina para aprimorar o rastreamento de feixes em comunicações 6G MIMO Vehicle-to-Infrastructure (V2I). O rastreamento de feixes, essencial para sustentar conexões mmWave confiáveis, continua desafiador devido à alta mobilidade dos ambientes veiculares e à sobrecarga significativa associada à formação de feixes MIMO de ondas milimétricas. Embora a seleção de feixes tenha sido amplamente estudada, o rastreamento de feixes baseado em ML é relativamente pouco explorado, em grande parte devido à escassez de conjuntos de dados abrangentes. Para preencher essa lacuna, este estudo apresenta um novo conjunto de dados multimodais públicos, projetado de acordo com os requisitos do 3GPP, que combina dados de canal sem fio com informações de sensores multimodais. Este conjunto de dados oferece suporte à avaliação de algoritmos avançados de fusão de dados especificamente adaptados para cenários V2I. Além disso, uma arquitetura de rede neural recorrente (RNN) personalizada é proposta como uma solução robusta para rastreamento de feixes eficaz, aproveitando dados temporais e multimodais para abordar os desafios das comunicações veiculares dinâmicas.
Acesso aberto (Open Access)
Beam-selection otimizado por aprendizado de máquina : uma abordagem multimodal
(Universidade Federal do Pará, 2023-12-30) FERREIRA, Jamelly Freitas; GOMES, Diego de Azevedo; http://lattes.cnpq.br/5116561408505726; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
Esta dissertação tem como objetivo investigar a utilização de modelos de aprendizado de máquina usando dados multimodais como entrada para otimizar o processo de “Beam-Selection”em redes baseadas em ondas milimétricas. O uso de Deep Learning tem se intensificado em diferentes áreas, sendo possível obter performance igual ou superior à humana, desta forma seu uso mostra-se promissor também em cenários de comunicação sem fio. Neste trabalho foram usados dados de diferentes naturezas o que se mostrou conveniente ao passo que é possível ajustar o modelo de acordo com a qualidade/disponibilidade destes dados. Após execução dos experimentos, e obtencão dos resultados, foi observado que é possível obter significativa performance em diferentes métricas, mesmo com dados mais simples como Imagem e Coordenada.
Acesso aberto (Open Access)
Classificação de regiões de desmatamento via imagens do satélite landsat no nordeste do Pará
(Universidade Federal do Pará, 2023-12-18) CANAVIEIRA, Luena Ossana; COSTA, João Crisóstomo Weyl Albuquerque; http://lattes.cnpq.br/9622051867672434
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)
Deep learning software-based holdover for PTP IEEE 1588 synchronization in 5G networks
(Universidade Federal do Pará, 2023-03-28) DUTRA, Rodrigo Gomes; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
Este trabalho propõe a avaliação de mecanismos baseados em algoritmos de software para manter a sincronização de um relógio em tempo real em operação de holdover, quando a entrada de referência de sincronização não está disponível. Três algoritmos, ARIMA, LSTM e redes de Transformer, foram implementados e treinados usando dados de carimbo de tempo e temperatura adquiridos enquanto o relógio escravo está sincronizado com um relógio mestre. Quando o relógio escravo perde sua referência, os modelos baseados em algoritmos assumem o controle e o mantém sincronizado. O método proposto foi avaliado em um teste de relógios de protocolo de tempo de precisão IEEE 1588 PTP baseados em uma bancada de testes baseada em FPGAs, onde timestamps precisos em nanossegundos foram coletados para análise offline. Os modelos foram avaliados usando dois tipos de relógios, um econômico, XO, e um robusto, OCXO, em cenários de temperatura constante e variável. Os resultados mostram que todos os algoritmos podem manter a precisão de sincronização do relógio dentro de limites dos requisitos de sincronização para comunicação TDD por intervalos de 1000 segundos em todos os cenários de temperatura e oscilador, sendo que o mecanismo de holdover baseado em redes Transformer superou a abordagem estatística e a rede LSTM. Esta abordagem de software de baixo custo é viável para aumentar a precisão do relógio durante a operação de holdover e pode ser generalizada para outros contextos de holdover, como em um cenário GNSS
Acesso aberto (Open Access)
Detecção de erosão em taludes baseada em deep learning
(Universidade Federal do Pará, 2023-03-31) LIMÃO, Caio Henrique Esquina; FRANCÊS, Carlos Renato Lisboa; http://lattes.cnpq.br/7458287841862567
As recentes catástrofes desencadeadas pelo rompimento das barragens de Fundão e Córrego do Feijão causaram cerca de 300 mortes e inúmeros danos socioambientais irreparáveis. Visto que a utilização de sistemas de monitoramento mais precisos e a realização adequada de manutenções preventivas e corretivas permitiriam identificar, e até amenizar, os danos causados à sociedade, pode-se constatar que há necessidade de maior investimento e incentivo à criação de soluções de Monitoramento da Integridade Estrutural (SHM) capazes de diagnosticar ocorrências que comprometem as principais estruturas civis, como pontes, barragens e taludes. As técnicas de Inteligência Artificial (IA) de alto desempenho têm sido capazes de resolver estes problemas de análise estrutural e apresentado resultados superiores às soluções anteriores, sua utilização têm aumentado drasticamente nos mais diversos cenários de SHM. Quando se trata de soluções de análise e classificação de imagens, a Rede Neural Convolucional (CNN) é o tipo de rede neural que apresenta os melhores resultados. Logo, esta dissertação irá descrever o processo de desenvolvimento de uma CNN com três camadas de convolução que combina a utilização das tecnologias mais consolidadas no atual cenário de visão computacional, tais como o otimizador Adam e a normalização em lotes. A CNN proposta foi treinada com uma base de dados montada especificamente para esta dissertação, sendo composta por imagens de relatórios públicos de obras do governo brasileiro, portifólios de empresas que trabalham com construção e manutenção de taludes e reportagens sobre deslizamentos e/ou catástrofes. Estas imagens foram rotuladas, de acordo com o contexto de cada uma delas, como taludes estáveis ou não. Os resultados obtidos foram bastante satisfatórios, apresentando uma acurácia de 96,67% e provando que esta solução é capaz de identificar de maneira precisa e aprimorada os indicadores de instabilidade apresentados pelos taludes analisados, permitindo um planejamento mais adequado das manutenções para cada caso, na prevenção de possíveis desastres, gestão mais eficiente da mão de obra, redução de custos, maior segurança e saúde estrutural para garantir sua integridade a longo prazo.
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)
Estimação de descarga de dispositivo IoT usando deep learning com otimização NSGA-II
(Universidade Federal do Pará, 2024-02-28) MACEDO, Wilson Antonio Cosmo; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609
O aumento das aplicações de redes IoT (Internet das Coisas) destaca a necessidade de otimizar a gestão de energia nestes sistemas, pois a eficiência energética é crucial para a adaptabilidade das implementações que referem-se à IoT. Este estudo analisa as curvas de descarga de uma bateria recarregável em um contexto de rede IoT que utiliza comunicação LoRa (Long Range) e vários sensores, com o objetivo de gerar múltiplas curvas de descarga para estimar o comportamento da bateria nesse cenário. Essas curvas foram utilizadas para treinar uma Rede Neural Artificial (RNA) de várias camadas, implementando técnicas de Deep Learning, na qual a arquitetura da RNA foi delineada usando o algoritmo de Otimização Multiobjetivo NSGA-II (Non-dominated Sorting Genetic Algorithm II), o que resultou em modelos com capacidade de estimar o tempo de descarga da bateria ao analisar um segmento do processo de descarga observado pelo modelo com erro médio quadrático de aproximadamente dois minutos para o modelo mais eficiente encontrado. Este resultado representa uma margem muito positiva, visto que a extensão dos testes de descarga são de até aproximadamente setenta e uma horas e a taxa de amostragem de coleta dos dados é de um minuto.
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)
Machine learning algorithms for damage detection in structures under changing normal conditions
(Universidade Federal do Pará, 2017-01-31) SILVA, Moisés Felipe Mello da; SALES JÚNIOR, Claudomiro de Souza de; http://lattes.cnpq.br/4742268936279649; COSTA, João Crisóstomo Weyl Albuquerque; http://lattes.cnpq.br/9622051867672434
Estruturas de engenharia têm desempenhado um papel importante para o desenvolvimento das sociedades no decorrer dos anos. A adequada gerência e manutenção de tais estruturas requer abordagens automatizadas para o monitoramento de integridade estrutural (SHM) no intuito de analisar a real condição dessas estruturas. Infelizmente, variações normais na dinâmica estrutural, causadas por efeitos operacionais e ambientais, podem ocultar a existência de um dano. Em SHM, normalização de dados é frequentemente referido como o processo de filtragem dos efeitos normais com objetivo de permitir uma avaliação adequada da integridade estrutural. Neste contexto, as abordagens baseadas em análise de componentes principais e agrupamento de dados têm sido empregadas com sucesso na modelagem dessas condições variadas, ainda que efeitos normais severos imponham alto grau de dificuldade para a detecção de danos. Contudo, essas abordagens tradicionais possuem limitações sérias quanto ao seu emprego em campanhas reais de monitoramento, principalmente devido as restrições existentes quanto a distribuição dos dados e a definição de parâmetros, bem como os diversos problemas relacionados a normalização dos efeitos normais. Este trabalho objetiva aplicar redes neurais de aprendizado profundo e propor um novo método de agrupamento aglomerativo para a normalização de dados e detecção de danos com o objetivo de superar as limitações impostas pelos métodos tradicionais. No contexto das redes neurais profundas, o emprego de novos métodos de treinamento permite alcançar modelos com maior poder de generalização. Em contrapartida, o novo algoritmo de agrupamento não requer qualquer parâmetro de entrada e não realiza asserções quanto a distribuição dos dados, permitindo um amplo dominínio de aplicações. A superioridade das abordagens propostas sobre as disponíveis na literatura é atestada utilizando conjuntos de dados oriundos de dois sistemas de monitoramento instalados em duas pontes distintas: a ponte Z-24 e a ponte Tamar. Ambas as técnicas revelaram um melhor desempenho de normalização dos dados e classificação do que os métodos tradicionais, em termos de falsas-positivas e falsas-negativas indicações de dano, o que sugere a aplicabilidade dos métodos em cenários reais de monitoramento de integridade estrutural.
Acesso aberto (Open Access)
Metodologia para a classificação automática de doenças em plantas utilizando redes neurais convolucionais.
(Universidade Federal do Pará, 2019-11-07) REZENDE, Vanessa Castro; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318; SANTOS, Adam Dreyton Ferreira dos; http://lattes.cnpq.br/2616572481839756
As redes neurais convolucionais (CNNs) são uma das técnicas de aprendizado profundo que, devido ao avanço computacional dos últimos anos, alavancaram a área de visão computacional ao possibilitar ganhos substanciais nos mais variados problemas de classificação, principalmente aqueles que envolvem imagens digitais. Tendo em vista as vantagens na utilização dessas redes, diversas aplicações para a identificação automática de doenças de plantas foram desenvolvidas para assistência especializada ou ferramentas de triagem automática, contribuindo para práticas agrícolas mais sustentáveis e maior segurança na produção de alimentos. Nesse contexto, este trabalho tem como objetivo propor uma metodologia para a classificação de múltiplas patologias referentes a diversas espécies de plantas tendo como insumo uma base de dados composta de imagens digitais de doenças em plantas. Inicialmente, esta metodologia envolveu etapas de tratamento das imagens da base de dados de doenças em plantas para possibilitar que estivessem aptas a serem entradas dos modelos de CNNs selecionados (VGG16, RestNet101v1, ResNet101v2, ResNetXt50 e DenseNet169), assim como para geração de dez novas bases, variando entre 50 e 66 classes com maior representatividade, com o intuito de submeter os modelos a situações diversas. Após o treinamento dos modelos, um estudo comparativo foi conduzido com base em métricas de classificação amplamente utilizadas, como acurácia no teste, f1-score e área sob a curva. A fim de atestar a significância dos resultados obtidos, foi realizado o teste estatístico não-paramétrico de Friedman e dois procedimentos post-hoc, que demonstraram que ResNetXt50 e DenseNet169 obtiveram resultados superiores quando comparadas com VGG16 e ResNets.