Use este identificador para citar ou linkar para este item:
http://repositorioinstitucional.uea.edu.br//handle/riuea/4528
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.author | Sá, Tiago Ramos de | - |
dc.date.available | 2023-02-06 | - |
dc.date.available | 2023-02-07T14:05:04Z | - |
dc.date.issued | 2022-10-25 | - |
dc.identifier.uri | http://repositorioinstitucional.uea.edu.br//handle/riuea/4528 | - |
dc.description.abstract | The application of Computer Vision and Deep Learning techniques in water surface object detection context has been emerged as a strong trend in autonomous vessels scena rio. In this work, we present performance comparisons between different object detection models by using two distinct datasets: WSODD (Water Surface Object Detection Data set) and WSOD-ARD (Water Surface Object Detection - Amazon Rivers Dataset). The first one, WSODD, is characterized by being publicly available, wide and contains ob jects located on marine water surfaces. The second one, WSOD-ARD, was created and annotated with objects belonging to Amazon rivers water surface scenario. For each one of these datasets, we used YOLOv5 algorithm as architecture for training water surface object detection models. The first model, trained by using WSODD dataset, reached a mAP of 76.3 %, outstanding in 11.3 % the mAP obtained by CRB-Net detector in this benchmark dataset. The second model, trained by using WSOD-ARD dataset, reached a mAP of 75.4 % by using transfer learning techniques. Finally, this model was deployed into an edge device (Nvidia Jetson Nano embedded plataform) in order to simulate a real scenario the proposed application. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade do Estado do Amazonas | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Detecção de objetos | pt_BR |
dc.subject | Eembarcações autônomas | pt_BR |
dc.subject | Amazônia | pt_BR |
dc.subject | Visão computacional | pt_BR |
dc.subject | Aprendizado profundo | pt_BR |
dc.subject | Aprendizado de maquina | pt_BR |
dc.subject | Object detection | pt_BR |
dc.subject | Self-driving boats | pt_BR |
dc.subject | Amazon | pt_BR |
dc.subject | Computer vision | pt_BR |
dc.subject | Deep learning, | pt_BR |
dc.subject | Machine learning | pt_BR |
dc.title | Embarcações autônomas na região amazônica: aplicação de técnicas de aprendizado profundo para detecção de objetos localizados na superfície de rios | pt_BR |
dc.title.alternative | Autonomous vessels in the Amazon region: application of deep learning techniques to detect objects located on the river surface | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
dc.date.accessioned | 2023-02-07T14:05:04Z | - |
dc.creator.ID | 2952746380018836 | pt_BR |
dc.contributor.advisor1 | Figueiredo, Carlos Maurício Seródio | - |
dc.contributor.advisor1ID | 9060002746939878 | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9060002746939878 | pt_BR |
dc.contributor.referee1 | Oliveira, Jozias Parente de | - |
dc.contributor.referee1ID | 1169202481169729 | pt_BR |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/1169202481169729 | pt_BR |
dc.contributor.referee2 | Silva, Fábio Santos da | - |
dc.contributor.referee2ID | 5711873110376600 | pt_BR |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/5711873110376600 | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/2952746380018836 | pt_BR |
dc.description.resumo | A aplicação de técnicas de Visão Computacional e Aprendizado Profundo para detecção de objetos em superfície de água tem destacando-se como uma forte tendência no contexto de embarcações autônomas. Este trabalho apresenta avaliações de desempenho para detectores de objetos localizados em superfícies marítimas e em superfícies de rios da Amazônia. Para superfícies marítimas, é utilizado a base de imagens Water Surface Object Detection Dataset (WSODD), caracterizada por ser uma base publicamente disponível, abrangente e especializada em objetos localizados em superfícies marítimas. Para superfícies de rios da Amazônia, foi criada e anotada a base de imagens Water Surface Object Detection - Amazon Rivers Dataset (WSOD-ARD). Para cada um desses conjuntos de imagens, são treinados modelos de detecção de objetos baseados no algoritmo YOLOv5. Para o detector treinado com a base de imagens WSODD, este obteve um Mean Average Precision (mAP) equivalente `a 76.3 %, tendo superado em 11.3 % a precisão media obtida pelo detector CRB-Net nessa mesma base. Para o detector de objetos localizados em superfícies de rios da Amazônia, são utilizadas técnicas de Aprendizado por Transferência a fim de aproveitar os pesos do modelo treinado a partir da base de imagens WSODD, obtendo uma precisão media igual `a 75.4 %. Por fim, esse modelo foi integrado em um dispositivo de borda (plataforma embarcada Nvidia Jetson Nano) com o objetivo de simular um cenário real de utilização da aplicação proposta. | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.subject.cnpq | Sistemas de Telecomunicações | pt_BR |
dc.publisher.initials | UEA | pt_BR |
Aparece nas coleções: | EST - Trabalho de Conclusão de Curso Graduação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Embarcações autônomas na região amazônica aplicação de técnicas de aprendizado profundo para detecção de objetos localizados na superfície de rios.pdf | 42,58 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.