Tamanho da fonte:
CLASSIFICADOR PARA PLACAS DE TRÂNSITO MAIS COMUNS UTILIZANDO O TENSORFLOW
Última alteração: 2021-10-04
Resumo
https://youtu.be/YtkibGIy1z8
Com o crescimento do uso da tecnologia na indústria, a Inteligência Artificial tem se tornado amplamente utilizada tornando os artefatos do dia-a-dia mais inteligentes. Empresas como Google e Tesla têm desenvolvido protótipos para criação de veículos autônomos utilizando o Deep Learning (Aprendizado Profundo). O Deep Learning como parte da Machine Learning (Aprendizado de Máquina) tem ganhado alto enfoque desde meados de 2012 com a ascensão das Redes Neurais Convolucionais para Visão Computacional. Desta forma, está sendo possível a criação de protótipos de veículos autônomos capazes de interpretar o ambiente ao seu redor em tempo hábil, permitindo se guiar no trânsito,respeitando sua sinalização, sem o auxílio direto de um ser humano. Este trabalho tem como objetivo desenvolver um classificador de placas de trânsito brasileiras mais comuns de alta eficiência utilizando Python, C/C++ e a biblioteca TensorFlow do Google a serem testadas no Nvidia Jetson Nano (kit de desenvolvimento da Nvidia que usa Cuda Cores). Para este trabalho, foi coletado cerca de 500 imagens devidamente marcadas com suas placas de trânsito, divididas entre treinamento e execução do modelo. O modelo foi carregado e treinado com o conjunto de imagens de treinamento e os resultados foram metrificados para analisar se o mesmo foi satisfatório. Como resultado, foi criado uma API (Interface de Programação de Aplicativos) para ser utilizada por terceiros capaz de identificar as placas submetidas como entrada via imagem retornando à posição da placa em questão, qual classe de placa a mesma se trata e a precisão da classe encontrada. Como um protótipo e devido ao tamanho da base de dados, os resultados foram satisfatórios, mas ainda não atendem à padrões de indústria para ser utilizado em um ambiente real de trânsito.
Com o crescimento do uso da tecnologia na indústria, a Inteligência Artificial tem se tornado amplamente utilizada tornando os artefatos do dia-a-dia mais inteligentes. Empresas como Google e Tesla têm desenvolvido protótipos para criação de veículos autônomos utilizando o Deep Learning (Aprendizado Profundo). O Deep Learning como parte da Machine Learning (Aprendizado de Máquina) tem ganhado alto enfoque desde meados de 2012 com a ascensão das Redes Neurais Convolucionais para Visão Computacional. Desta forma, está sendo possível a criação de protótipos de veículos autônomos capazes de interpretar o ambiente ao seu redor em tempo hábil, permitindo se guiar no trânsito,respeitando sua sinalização, sem o auxílio direto de um ser humano. Este trabalho tem como objetivo desenvolver um classificador de placas de trânsito brasileiras mais comuns de alta eficiência utilizando Python, C/C++ e a biblioteca TensorFlow do Google a serem testadas no Nvidia Jetson Nano (kit de desenvolvimento da Nvidia que usa Cuda Cores). Para este trabalho, foi coletado cerca de 500 imagens devidamente marcadas com suas placas de trânsito, divididas entre treinamento e execução do modelo. O modelo foi carregado e treinado com o conjunto de imagens de treinamento e os resultados foram metrificados para analisar se o mesmo foi satisfatório. Como resultado, foi criado uma API (Interface de Programação de Aplicativos) para ser utilizada por terceiros capaz de identificar as placas submetidas como entrada via imagem retornando à posição da placa em questão, qual classe de placa a mesma se trata e a precisão da classe encontrada. Como um protótipo e devido ao tamanho da base de dados, os resultados foram satisfatórios, mas ainda não atendem à padrões de indústria para ser utilizado em um ambiente real de trânsito.
Palavras-chave
Inteligência artificial. Deep learning. Placas de trânsito.