Detecção de objetos em imagens usando redes neurais no contexto de automação veicular

Abstract

A automação de tarefas é um tópico de extrema importância para a humanidade. Isso também vale para o contexto de transporte de cargas e pessoas, que recebe especial atenção desde o século XX. Atualmente, várias empresas vêm desenvolvendo veículos que são controlados automaticamente, com pouca ou nenhuma intervenção humana. Além de poupar o ser humano da tarefa de controlar o veículo, a automação de veículos permite que haja uma melhora significativa na segurança dos transportes terrestres, uma vez que aproximadamente 90% dos acidentes ocorrem devido a falhas humanas. Um dos mecanismos essenciais para a automação veicular é a detecção de objetos, uma vez que, para realizar o controle do veículo, é necessário perceber a presença de outros veículos, ciclistas, pedestres etc. Com vista neste contexto em rápido crescimento, o objetivo deste trabalho é tratar do desenvolvimento de um algoritmo de detecção de objetos utilizando redes neurais. Foi proposto um modelo utilizando a rede pré-treinada YOLO versão 5, que garante bom desempenho aliado a detecções rápidas, essenciais em aplicações de tempo real. Os treinamentos foram realizados com os dados do dataset ONCE (One Million Scenes), que contém quinze mil cenas anotadas de imagens de sete câmeras e nuvem de pontos de LiDAR. A primeira rodada de treinamento resultou em um desempenho muito abaixo do esperado, pois foi realizado com base em uma base de dados desbalanceada e sem tratamento. Utilizando técnicas de aprimoramento como balanceamento do dataset, filtragem das imagens e comparação dos modelos, foi possível obter melhoras superiores a 10% nas principais métricas de avaliação do modelo, como precisão, recall e mAP (mean Average Precision)