Deteção de Veículos Industriais e Pedestres em armazéns utilizando YOLOv3

• Autor(a) principal: Miranda, Eduardo da Silva
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/23969
• topic: Computer vision; YOLOv3; dataset; warehouse; detection of industrial vehicles; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

A gestão eficiente de armazéns industriais é essencial para garantir a eficácia das cadeias de abastecimento. A automação desempenha um papel crucial nesse contexto, com a visão computacional a surgir como uma ferramenta valiosa para melhorar a segurança e a eficiência das operações de um armazém. Este estudo concentra-se na aplicação do modelo YOLOv3 (You Only Look Once) para a deteção de pedestres e veículos industriais, como empilhadoras e tugger trains, em armazéns. O modelo YOLOv3 foi escolhido como a espinha dorsal da solução de deteção de objetos devido à sua capacidade de detetar múltiplos objetos em tempo real com rapidez e precisão. Em armazéns industriais é crucial identificar e monitorizar pedestres e veículos industriais para garantir a segurança dos operadores e otimizar as operações logísticas. Tradicionalmente, essa tarefa é executada manualmente ou por meio de sistemas de vigilância passiva que têm limitações em termos de eficácia o que pode resultar em erros e, consequentemente, acidentes. Neste trabalho, adotou-se uma abordagem baseada na visão computacional para superar essas limitações. O processo de treino do modelo envolveu a criação de um dataset personalizado com quatro classes: "person" (para a identificação de pedestres), "forklift" (para a identificação de empilhadoras), "tugger" (para a identificação de tugger trains) e "tugger loaded” (para a identificação de tugger trains com carga). A anotação do dataset foi realizada através do software LabelImg onde foram desenhadas caixas delimitadoras nos objetos de interesse e, também, distribuídos pelas classes. Utilizaram-se técnicas de data augmentation para diversificar o dataset e melhorar a capacidade de generalização do modelo. O treino do modelo foi realizado num computador portátil com um processador Intel i7-12700H e com uma placa gráfica NVIDIA RTX 3060 laptop edition. Para se conseguir utilizar a placa gráfica de modo a acelerar o processo de treino foi instalada a ferramenta CUDA Tools (versão 11.7) da NVIDIA. Os resultados obtidos são promissores uma vez que o modelo demonstrou uma notável capacidade de detetar pedestres e veículos industriais em vários cenários de armazém de forma rápida e eficaz. Esta pesquisa contribui para a crescente área de visão computacional aplicada à logística industrial, demonstrando como um modelo de deteção de objetos como o YOLOv3 pode ser adaptado e treinado para atender às necessidades específicas de um ambiente de armazém. O sucesso deste projeto destaca o potencial da visão computacional como uma ferramenta valiosa para melhorar a segurança e a eficiência em ambientes industriais complexos. A visão computacional tem o potencial de revolucionar a forma como os armazéns industriais operam, tornando-os mais seguros, eficientes e preparados para os desafios logísticos do século XXI.