Banca de DEFESA: RENATO DE AVILA LOPES

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
STUDENT : RENATO DE AVILA LOPES
DATE: 18/11/2024
TIME: 09:00
LOCAL: https://conferenciaweb.rnp.br/sala/zampirolli
TITLE:

Visão computacional para veículos agrícolas autônomos

PAGES: 135
BIG AREA: Ciências Exatas e da Terra
AREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
SPECIALTY: Processamento Gráfico (Graphics)
SUMMARY:

A agricultura de precisão é uma revolução tecnológica que utiliza veículos agrícolas autônomos para aumentar a eficiência e segurança no cultivo de monoculturas. Para isso, é necessário um sistema que integre inúmeros sensores, incluindo câmeras de vídeo. A análise de imagem utilizando sensores acoplados a tratores ou caminhões pode identificar diferentes tipos de plantas, ambientes e condições. As técnicas mais recentes e eficientes para classificação de imagens envolvem o uso de redes neurais na análise de imagens. Para aumentar a segurança operacional, é necessário utilizar processos de aprendizado de máquina para treinar redes neurais para reconhecer e detectar objetos, pessoas e animais na área operacional do veículo. O objetivo deste trabalho é desenvolver um sistema de detecção e classificação de objetos com o intuito de fornecer segurança para veículos que atuam de forma autônoma. Este sistema será baseado em visão computacional e redes neurais. O sistema utilizará processos de aprendizado de máquina com redes neurais pré-treinadas para reconhecer e detectar objetos, pessoas e animais na área operacional do veículo, tornando a operação de colheita e transbordo mais segura e eficiente. Foi realizada uma comparação entre diferentes redes pré-treinadas, incluindo as versões 3, 4, 5 e 8 da rede YOLO, a rede SSD Mobilenet V2 e a rede SSD Inception V2. Entre todas as opções avaliadas, a rede YOLOv4 e a rede YoloV8 obtiveram os melhores resultados quando executadas em um módulo AGX Jetson Orin. Para essa análise, a biblioteca OpenCV foi utilizada na YOLOV4 e a biblioteca Ultralytics na YOLOV8. Também foi realizado aprendizado por transferência utilizando as redes YOLOv4 e YOLOv8, incluindo a classe de "cone de trânsito" no dataset COCO, mostrando a viabilidade de incluir novas classes de interesse no contexto de colheitas agrícolas. A rede YOLOv8 ainda foi utilizada para realizar segmentação de instâncias com o intuito de auxiliar o planejador de navegação a identificar áreas navegáveis e obstáculos no trajeto do veículo autônomo agrícola. O desenvolvimento de um sistema para segurança para veículos autônomos baseado em visão computacional e redes neurais pode ajudar a tornar a operação de colheita e transbordo mais segura e eficiente na agricultura de precisão. A utilização de processos de aprendizado de máquina permite treinar as redes neurais a reconhecer e detectar possíveis riscos na área operacional do veículo, reduzindo assim a possibilidade de acidentes e melhorando a qualidade dos resultados da colheita.

COMMITTEE MEMBERS:
Presidente - Interno ao Programa - 1600876 - FRANCISCO DE ASSIS ZAMPIROLLI
Membro Titular - Examinador(a) Externo ao Programa - 1762339 - WAGNER TANAKA BOTELHO
Membro Titular - Examinador(a) Externo à Instituição - EDSON CAORU KITANI - FATEC-SA
Membro Suplente - Examinador(a) Externo ao Programa - 2403225 - UGO IBUSUKI
Membro Suplente - Examinador(a) Externo à Instituição - Leopoldo Rideki Yoshioka - USP