| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Vidal, Flávio de Barros | - |
| dc.contributor.author | Senno, Luís Humberto Chaves | - |
| dc.contributor.author | Chatelard, David Fanchic | - |
| dc.identifier.citation | SENNO, Luís Humberto Chaves; CHATELARD, David Fanchic. Detecção e reconhecimento de resíduos sólidos em ambientes não-estruturados utilizando modelos de aprendizado profundo. 2023. 55 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia Mecatrônica) — Universidade de Brasília, Brasília, 2023. | pt_BR |
| dc.description | Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, 2023. | pt_BR |
| dc.description.abstract | A Inteligência Artificial (IA) desempenha um papel cada vez mais crucial na área da sustentabilidade, oferecendo soluções inovadoras e ajudando a enfrentar os desafios ambientais. Nesta linha, este trabalho tem como objetivo apresentar o desenvolvimento de uma metodologia para realizar a detecção e reconhecimento de resíduos sólidos a partir de imagens. Para isso, foram utilizados conjuntos de dados contendo diversas imagens de resíduos sólidos que estão disponíveis publicamente, sendo o principal deles o conjunto de imagens da Trash Annotations in Context (TACO) que possui 60 tipos de resíduos sólidos distintos. Além do treinamento no conjunto de imagens, foi realizada a comparação entre os principais modelos de aprendizagem profunda da arquitetura You Only Look Once (YOLO) versão 7, aplicando técnicas de otimização (transferência de aprendizagem e aumento de dados manuais e artificiais). Dentre os resultados obtidos, estes comparando com trabalhos do estado-da-arte, alcançaram valores de melhorias de até 119% para o mesmo conjunto de imagens da base TACO. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Inteligência artificial | pt_BR |
| dc.subject.keyword | Resíduos sólidos | pt_BR |
| dc.subject.keyword | Sustentabilidade | pt_BR |
| dc.title | Detecção e reconhecimento de resíduos sólidos em ambientes não-estruturados utilizando modelos de aprendizado profundo | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2024-07-10T00:12:43Z | - |
| dc.date.available | 2024-07-10T00:12:43Z | - |
| dc.date.submitted | 2023-07-04 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/39225 | - |
| dc.language.iso | Português | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
| dc.description.abstract1 | Artificial Intelligence (AI) plays an increasingly crucial role in the field of sustainability, offering innovative solutions and helping address environmental challenges. Accordingly, this study aims to present the development of a methodology for detecting and recognizing solid waste from images. To achieve this, publicly available datasets containing various images of solid waste were used, with the main one being the Trash Annotations in Context (TACO) image dataset, which includes 60 distinct types of solid waste. In addition to training on the image dataset, a comparison was made among the main deep learning models of the You Only Look Once (YOLO) architecture (version 7), applying optimization techniques such as transfer learning and data augmentation. The results obtained, when compared to state-of-the-art works, achieved improvement values of up to 119% for the same set of images from the TACO dataset. | pt_BR |
| Aparece na Coleção: | Engenharia Mecatrônica
|
