Aprendizado por transferência aplicado na detecção de placas de licenciamento de veículos
Visualizar/ Abrir
Data
2024-08-12Autor
Bruning, Diego
Orientador
Webber, Carine Geltrudes
Metadata
Mostrar registro completoResumo
A identificação dos veículos tem importância por vários aspectos, como a identificação de posse de propriedade, coibição de roubo, e até mesmo o controle de fluxo. Diversos métodos são empregados para a identificação de veículos, como números gravados em suas estruturas ou peças. Entre esses meios a placa de licenciamento veicular se destaca pela praticidade em diversas funcionalidades, uma vez que costuma estar localizada em pontos facilmente visíveis do veículo, porém, o reconhecimento automático de placas de veículos continua sendo um desafio significativo. Isso pode ser atestado quando se observa a diversidade nas condições de captura de imagem, incluindo variações na iluminação, ângulo de captura e layouts de placas, os quais podem variar entre diferentes regiões e países. Muitos algoritmos foram desenvolvidos para realizar a detecção e reconhecimento de placas de veículos, todos possuem vantagens e falhas em diferentes situações. Nos últimos anos a comunidade científica fez avanços em metodologia e desempenho, estudos recentes tem demonstrado resultados interessantes no reconhecimento e segmentação de placas de licenciamento de veículos, utilizando \acp{RNC} em conjunto com técnicas de aprendizado por transferência. Este trabalho aborda a aplicação do aprendizado por transferência para a detecção e segmentação de placas de veículos utilizando redes neurais convolucionais. Foi realizada uma revisão sistemática para compreender o estado da arte na área. Em seguida, foi adaptado e treinado uma arquitetura MobileNet pré-treinada com o conjunto de dados ImageNet. O treinamento e validação foi feito utilizado imagens do dataset UFPR-ALPR, que contém 4500 imagens de veículos nacionais. O modelo final foi avaliado usando diversas métricas de desempenho. Os resultados indicaram que a combinação de técnicas de aprendizado por transferência e ajuste fino melhora significativamente a precisão na detecção de placas. Este estudo contribui para o avanço no reconhecimento automático de placas, destacando a importância do pré-processamento das imagens e do uso de funções de perda especializadas para a otimização do modelo. [resumo fornecido pelo autor]