Mostra i principali dati dell'item

dc.contributor.advisorWebber, Carine Geltrudes
dc.contributor.authorBruning, Diego
dc.contributor.otherCasa, Marcos Eduardo
dc.contributor.otherSpindola, Marilda Machado
dc.date.accessioned2024-08-12T19:58:03Z
dc.date.available2024-08-12T19:58:03Z
dc.date.issued2024-08-12
dc.date.submitted2024-07-02
dc.identifier.urihttps://repositorio.ucs.br/11338/13641
dc.descriptionA 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]pt_BR
dc.description.abstractVehicle identification is important for various reasons, such as property ownership identification, theft prevention, and even traffic flow control. Various methods are used for vehicle identification, such as numbers engraved on their structures or parts. Among these, the vehicle license plate stands out for its practicality in several functionalities, as it is usually located in easily visible points of the vehicle. However, automatic license plate recognition remains a significant challenge. This is evident when considering the diversity in image capture conditions, including variations in lighting, capture angle, and plate layouts, which can vary between different regions and countries. Many algorithms have been developed to detect and recognize vehicle plates, each with advantages and shortcomings in different situations. In recent years, the scientific community has made advances in methodology and performance, with recent studies showing interesting results in the recognition and segmentation of vehicle license plates using Convolutional Neural Networks (CNNs) in combination with transfer learning techniques. This work addresses the application of transfer learning for the detection and segmentation of vehicle plates using convolutional neural networks. A systematic review was conducted to understand the state of the art in the field. Subsequently, a pre-trained MobileNet architecture with the ImageNet dataset was adapted and trained. Training and validation were performed using images from the UFPR-ALPR dataset, which contains 4500 images of national vehicles. The final model was evaluated using various performance metrics. The results indicated that the combination of transfer learning techniques and fine-tuning significantly improves plate detection accuracy. This study contributes to the advancement of automatic license plate recognition, highlighting the importance of image preprocessing and the use of specialized loss functions for model optimization. [resumo fornecido pelo autor]pt_BR
dc.language.isoptpt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectVeículospt_BR
dc.titleAprendizado por transferência aplicado na detecção de placas de licenciamento de veículospt_BR
dc.typeMonografiapt_BR
mtd2-br.advisor.instituationUniversidade de Caxias do Sulpt_BR
mtd2-br.program.nameBacharelado em Ciência da Computaçãopt_BR
mtd2-br.campusCampus Universitário de Caxias do Sulpt_BR
local.data.embargo2024-07-18


Files in questo item

Thumbnail

Questo item appare nelle seguenti collezioni

Mostra i principali dati dell'item