Classificação computacional de animais para sistema de detecção nas rodovias
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | eng |
Título da fonte: | Brazilian Journal of Veterinary Research and Animal Science |
Texto Completo: | https://www.revistas.usp.br/bjvras/article/view/174951 |
Resumo: | As colisões entre veículos e animais representam um sério problema na infraestrutura rodoviária. Para evitar tais acidentes, medidas mitigatórias têm sido aplicadas em diferentes regiões do mundo. Neste projeto é apresentado um sistema de detecção de animais em rodovias utilizando visão computacional e algoritmo de aprendizado de máquina. Os modelos foram treinados para classificar dois grupos de animais: capivaras e equídeos. Foram utilizadas duas variantes da rede neural convolucional chamada Yolo (você só vê uma vez) — Yolov4 e Yolov4-tiny (versão mais leve da rede) — e o treinamento foi realizado a partir de modelos pré-treinados. Testes de detecção foram realizados em 147 imagens e os resultados de precisão obtidos foram de 84,87% e 79,87% para Yolov4 e Yolov4-tiny, respectivamente. O sistema proposto tem o potencial de melhorar a segurança rodoviária reduzindo ou prevenindo acidentes com animais. |
id |
USP-49_8d1ff2a1a8fe2cdeff2bf491c345f9bb |
---|---|
oai_identifier_str |
oai:revistas.usp.br:article/174951 |
network_acronym_str |
USP-49 |
network_name_str |
Brazilian Journal of Veterinary Research and Animal Science |
repository_id_str |
https://www.revistas.usp.br/bjvras/index |
spelling |
Classificação computacional de animais para sistema de detecção nas rodoviasComputational classification of animals for a highway detection systemAprendizado de máquinaAcidentes rodoviários com animaisVisão computacionalMachine-learningVehicle-animal collisionsComputational visionAs colisões entre veículos e animais representam um sério problema na infraestrutura rodoviária. Para evitar tais acidentes, medidas mitigatórias têm sido aplicadas em diferentes regiões do mundo. Neste projeto é apresentado um sistema de detecção de animais em rodovias utilizando visão computacional e algoritmo de aprendizado de máquina. Os modelos foram treinados para classificar dois grupos de animais: capivaras e equídeos. Foram utilizadas duas variantes da rede neural convolucional chamada Yolo (você só vê uma vez) — Yolov4 e Yolov4-tiny (versão mais leve da rede) — e o treinamento foi realizado a partir de modelos pré-treinados. Testes de detecção foram realizados em 147 imagens e os resultados de precisão obtidos foram de 84,87% e 79,87% para Yolov4 e Yolov4-tiny, respectivamente. O sistema proposto tem o potencial de melhorar a segurança rodoviária reduzindo ou prevenindo acidentes com animais.Vehicle-animal collisions represent a serious problem in roadway infrastructure. To avoid these roadway collisions, different mitigation systems have been applied in various regions of the world. In this article, a system for detecting animals on highways is presented using computer vision and machine learning algorithms. The models were trained to classify two groups of animals: capybaras and donkeys. Two variants of the convolutional neural network called Yolo (You only look once) were used, Yolov4 and Yolov4-tiny (a lighter version of the network). The training was carried out using pre-trained models. Detection tests were performed on 147 images. The accuracy results obtained were 84.87% and 79.87% for Yolov4 and Yolov4-tiny, respectively. The proposed system has the potential to improve road safety by reducing or preventing accidents with animals.Universidade de São Paulo. Faculdade de Medicina Veterinária e Zootecnia2021-05-15info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://www.revistas.usp.br/bjvras/article/view/17495110.11606/issn.1678-4456.bjvras.2021.174951Brazilian Journal of Veterinary Research and Animal Science; Vol. 58 (2021): Special Issue: Donkeys and Mules; e174951Brazilian Journal of Veterinary Research and Animal Science; Vol. 58 (2021): Special Issue: Donkeys and Mules; e174951Brazilian Journal of Veterinary Research and Animal Science; v. 58 (2021): Número especial: Asininos e Muares; e174951Brazilian Journal of Veterinary Research and Animal Science; V. 58 (2021): Special Issue: Donkeys and Mules; e1749511678-44561413-9596reponame:Brazilian Journal of Veterinary Research and Animal Scienceinstname:Faculdade de Medicina Veterinária e Zootecnia da Universidade de São Paulo (FMVZ-USP)instacron:USPenghttps://www.revistas.usp.br/bjvras/article/view/174951/171648Copyright (c) 2021 Brazilian Journal of Veterinary Research and Animal Sciencehttps://creativecommons.org/licenses/by-nc-sa/4.0info:eu-repo/semantics/openAccessSato, DenisZanella, Adroaldo JoséCosta, Ernane Xavier2021-07-07T11:31:34Zoai:revistas.usp.br:article/174951Revistahttps://www.revistas.usp.br/bjvrasPUBhttps://www.revistas.usp.br/bjvras/oaibjvras@usp.br1413-95961413-9596opendoar:https://www.revistas.usp.br/bjvras/index2023-01-12T16:44:07.561154Brazilian Journal of Veterinary Research and Animal Science - Faculdade de Medicina Veterinária e Zootecnia da Universidade de São Paulo (FMVZ-USP)false |
dc.title.none.fl_str_mv |
Classificação computacional de animais para sistema de detecção nas rodovias Computational classification of animals for a highway detection system |
title |
Classificação computacional de animais para sistema de detecção nas rodovias |
spellingShingle |
Classificação computacional de animais para sistema de detecção nas rodovias Sato, Denis Aprendizado de máquina Acidentes rodoviários com animais Visão computacional Machine-learning Vehicle-animal collisions Computational vision |
title_short |
Classificação computacional de animais para sistema de detecção nas rodovias |
title_full |
Classificação computacional de animais para sistema de detecção nas rodovias |
title_fullStr |
Classificação computacional de animais para sistema de detecção nas rodovias |
title_full_unstemmed |
Classificação computacional de animais para sistema de detecção nas rodovias |
title_sort |
Classificação computacional de animais para sistema de detecção nas rodovias |
author |
Sato, Denis |
author_facet |
Sato, Denis Zanella, Adroaldo José Costa, Ernane Xavier |
author_role |
author |
author2 |
Zanella, Adroaldo José Costa, Ernane Xavier |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Sato, Denis Zanella, Adroaldo José Costa, Ernane Xavier |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Acidentes rodoviários com animais Visão computacional Machine-learning Vehicle-animal collisions Computational vision |
topic |
Aprendizado de máquina Acidentes rodoviários com animais Visão computacional Machine-learning Vehicle-animal collisions Computational vision |
description |
As colisões entre veículos e animais representam um sério problema na infraestrutura rodoviária. Para evitar tais acidentes, medidas mitigatórias têm sido aplicadas em diferentes regiões do mundo. Neste projeto é apresentado um sistema de detecção de animais em rodovias utilizando visão computacional e algoritmo de aprendizado de máquina. Os modelos foram treinados para classificar dois grupos de animais: capivaras e equídeos. Foram utilizadas duas variantes da rede neural convolucional chamada Yolo (você só vê uma vez) — Yolov4 e Yolov4-tiny (versão mais leve da rede) — e o treinamento foi realizado a partir de modelos pré-treinados. Testes de detecção foram realizados em 147 imagens e os resultados de precisão obtidos foram de 84,87% e 79,87% para Yolov4 e Yolov4-tiny, respectivamente. O sistema proposto tem o potencial de melhorar a segurança rodoviária reduzindo ou prevenindo acidentes com animais. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-05-15 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.revistas.usp.br/bjvras/article/view/174951 10.11606/issn.1678-4456.bjvras.2021.174951 |
url |
https://www.revistas.usp.br/bjvras/article/view/174951 |
identifier_str_mv |
10.11606/issn.1678-4456.bjvras.2021.174951 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
https://www.revistas.usp.br/bjvras/article/view/174951/171648 |
dc.rights.driver.fl_str_mv |
Copyright (c) 2021 Brazilian Journal of Veterinary Research and Animal Science https://creativecommons.org/licenses/by-nc-sa/4.0 info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Copyright (c) 2021 Brazilian Journal of Veterinary Research and Animal Science https://creativecommons.org/licenses/by-nc-sa/4.0 |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade de São Paulo. Faculdade de Medicina Veterinária e Zootecnia |
publisher.none.fl_str_mv |
Universidade de São Paulo. Faculdade de Medicina Veterinária e Zootecnia |
dc.source.none.fl_str_mv |
Brazilian Journal of Veterinary Research and Animal Science; Vol. 58 (2021): Special Issue: Donkeys and Mules; e174951 Brazilian Journal of Veterinary Research and Animal Science; Vol. 58 (2021): Special Issue: Donkeys and Mules; e174951 Brazilian Journal of Veterinary Research and Animal Science; v. 58 (2021): Número especial: Asininos e Muares; e174951 Brazilian Journal of Veterinary Research and Animal Science; V. 58 (2021): Special Issue: Donkeys and Mules; e174951 1678-4456 1413-9596 reponame:Brazilian Journal of Veterinary Research and Animal Science instname:Faculdade de Medicina Veterinária e Zootecnia da Universidade de São Paulo (FMVZ-USP) instacron:USP |
instname_str |
Faculdade de Medicina Veterinária e Zootecnia da Universidade de São Paulo (FMVZ-USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Brazilian Journal of Veterinary Research and Animal Science |
collection |
Brazilian Journal of Veterinary Research and Animal Science |
repository.name.fl_str_mv |
Brazilian Journal of Veterinary Research and Animal Science - Faculdade de Medicina Veterinária e Zootecnia da Universidade de São Paulo (FMVZ-USP) |
repository.mail.fl_str_mv |
bjvras@usp.br |
_version_ |
1797051568192749568 |