“Bicentenário da Independência: 200 anos de ciência, tecnologia e inovação no Brasil e 96 anos de contribuição da UFV”.
8 a 10 de novembro de 2022
Trabalho 15980
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Inteligência Artificial |
| Setor | Departamento de Engenharia de Produção e Mecânica |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Pedro Henrique Gurgel Castro |
| Orientador | CHARLES LUIS DA SILVA |
| Título | Utilização de drone e visão computacional para identificação de padrões |
| Resumo | Nos últimos anos a visão computacional ganhou grande espaço na interpretação de imagem em um cenário que esta ferramenta digital está cada vez mais presente nas diversas aplicações relevantes do cotidiano. Além disso, com a evolução da automatização dos processos produtivos, o uso de sistemas computacionais e de robótica vem se tornando cada vez mais uma solução interessante para tornar automática a execução de tarefas complexas que na atual situação do desenvolvimento da indústria brasileira são atividades, em sua maioria, repetitivas e realizadas por operadores humanos. Dito isso, o objetivo do projeto é desenvolver um algoritmo em Python capaz de detectar um objeto padrão preestabelecido. Para esta pesquisa, foram utilizadas imagens obtidas na internet para o treinamento e cada figura recebeu um processamento digital como aplicação de filtro Bilateral, Equalização de Histograma e filtro Sobel. Ademais, o princípio básico para o reconhecimento e interpretação do padrão foi baseado no algoritmo Viola-Jones. Essa técnica é dividida em duas etapas principais: o treinamento e a detecção. No primeiro momento, várias interações são realizadas por meio do software Cascade Trainer GUI para criar um Classificador em Cascata. Para a etapa final, foram aplicados testes de detecção em imagens capturadas por drone e obtidas na internet. Dessa forma, ao analisar os resultados obtidos, foi possível verificar que os melhores classificadores gerados foram para: imagens redimensionada em 30x30 pixels, que obtiveram mais agilidade nas detecções; banco de dados com maior quantidade de imagens, que apresentou um índice de Qualidade (Quality Porcentage) de 14,69%; aplicação da equalização do histograma, que obteve 21,54% no índice de Qualidade (Quality Porcentage); e por fim, treinamento com 20 estágios de classificações que apresentou uma melhor sensibilidade para identificar o padrão escolhido com índice de Qualidade (Quality Porcentage) de 49,48%. Portanto, foi possível constatar que cada escolha de configuração impacta no desempenho do classificador final. |
| Palavras-chave | inteligência computacional, visão computacional, classificadores em cascata |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|