SISTEMA PARA IDENTIFICAÇÃO DAS CARACTERÍSTICAS DE UM VEÍCULO PRESENTE EM IMAGEM DIGITAL

• Autor(a) principal: Kroth, Christian Fernando
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD)
• Texto Completo: http://hdl.handle.net/10737/4203
• topic: ENG; inteligência artificial; visão computacional; identificação de características de veículos; artificial intelligence; computer vision; identification of vehicle characteristics

Muitas cidades têm adotado sistemas para monitoramento de veículos através de imagens, seja para identificação de infrações e furtos ou para auxílio em áreas com estacionamento rotativo. Porém, para que a cidade possa usufruir completamente dos benefícios, é necessário que a câmera consiga ler corretamente a placa dos mesmos, o que nem sempre ocorre, sendo importante nestes casos a identificação de outras características que sejam capazes de ajudar na realização de um filtro mais refinado sobre uma galeria de imagens em que a leitura da placa tenha falhado. Pensando nisso, o presente trabalho foi proposto com o objetivo de estudar a aplicação de inteligência artificial na extração de dados de imagens, criando um protótipo de software, em formato de web service, que possa identificar alguns atributos extras dos veículos. Por meio de pesquisas observou-se que, visando obter dados de imagens, métodos de aprendizado profundo e visão computacional seriam os melhores modos de aplicação de inteligência artificial. Desta forma, utilizou-se o sistema YOLO para identificar o tipo e a marca dos veículos, e a biblioteca OpenCV para classificar a cor dos mesmos. O protótipo de web service foi criado utilizando Flask, englobando o mesmo em um container Docker, recebendo requisições POST e retornando um JSON com os dados identificados. Após os testes do sistema criado, obteve-se um percentual de 97,5% de classificações corretas dos tipos de veículos, 57,5% de classificações corretas das marcas, e 25% de acerto na classificação da cor dos mesmos.