Use este identificador para citar ou linkar para este item: https://repositorio.unipampa.edu.br/jspui/handle/riu/7527
Tipo: Trabalho de Conclusão de Curso
Título: Reconhecimento de imagens: Uso do método Yolo no reconhecimento de placas de trânsito
Autor(es): Cimirro, Jean Lucas da Silva
Primeiro Orientador: Nunes, Gerson Alberto Leiria
1° Membro da banca: Nunes, Gerson Alberto Leiria
2° Membro da banca: Ramos, Fábio Luis Livi
3° Membro da banca: Heinen, Milton Roberto
Resumo: O reconhecimento de sinais de trânsito é uma parte essencial dos sistemas de assistência ao motorista, capaz de auxiliar os motoristas a evitar muitos perigos potenciais e melhorar a experiência de dirigir. No entanto, o reconhecimento de sinais de trânsito é uma tarefa cheia de desafios, como ambiente visual, danos físicos e oclusões parciais, entre outros. Para lidar com as restrições, às redes neurais convolucionais (CNN) são acomodadas para extrair o visual características dos sinais de trânsito e classificá-los em classes correspondentes. Nessa pesquisa buscou-se reconhecer sinais de trânsito brasileiros, tendo como principal ferramenta o uso do método You Only Look Once (YOLO), na sua quinta versão. Ele usa de uma única rede neural convolucional que prevê simultaneamente várias caixas delimitadoras e probabilidades de classe para essas caixas, o YOLO treina em imagens completas e otimiza diretamente o desempenho de detecção. O YOLOv5 traz uma melhor acessibilidade para detecção de objetos em tempo real e o desempenho da previsão com base no tempo de resposta ou na precisão do treinamento comparado com sua versão anterior. Foram realizados testes com três arquiteturas do YOLO, small, large e extra large, obtidas precisões de 92,9%, 92,6% e 92,0%, respectivamente, além da criação de um dataset das placas brasileira e uma interface para o usuário.
Abstract: The traffic sign recognition has been an essential part of driver assistance systems, which are able to help drivers avoiding a large number of potential hazards and improving the driving experience. However, recognizing traffic signs is a task that is full of challenges, such as visual environment, physical damage and partial occlusions, among others. To deal with the constraints, convolutional neural networks (CNN) are accommodated to extract the visual characteristics of traffic signs and classify them into corresponding classes. This graduate work, initially intends to recognize traffic signs in Brazil, having as main framework the use of the You Only Look Once (YOLO) method, in its fifth version. Using a single convolutional network that simultaneously predicts multiple bounding boxes and class probabilities for these boxes, YOLO trains on complete images and directly optimizes detection performance. YOLOv5 brings better accessibility for real-time object detection and prediction performance based on training speed or accuracy compared to its previous version. Tests were carried out with three YOLO architectures, small, large and extra large, obtaining accuracies of 92.9%, 92.6% and 92.0%, respectively, in addition to creating a dataset of the Brazilian boards and an user’s interface.
Palavras-chave: YOLOv5
Reconhecimento
Placas de trânsito
Redes neurais convolucionais
Recognition
Traffic signs
Convolutional neural networks
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Idioma: por
País: Brasil
Editor: Universidade Federal do Pampa
Sigla da Instituição: UNIPAMPA
Campus: Campus Bagé
Citação: CIMIRRO, Jean Lucas da Silva. Reconhecimento de imagens: Uso do método Yolo no reconhecimento de placas de trânsito. 64p. 2022. Trabalho de Conclusão de Curso (Bacharel em Engenharia da Computação) – Universidade Federal do Pampa, Curso de Ciência da Computação, Bagé, 2022.
Tipo de Acesso: Acesso Aberto
URI: https://repositorio.unipampa.edu.br/jspui/handle/riu/7527
Data do documento: 10-Ago-2022
Aparece nas coleções:Engenharia de Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TCC_II_Jean_Cimirro_2022_Final.pdf4.45 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.