Use este identificador para citar ou linkar para este item: http://localhost:8080/jspui/handle/123456789/138
Registro completo de metadados
Campo DCValorIdioma
dc.creatorDuarte, Luana da Silva Muniz-
dc.creatorOliveira, Nayara Souza de-
dc.creatorSiqueira, Sarah Reis-
dc.date.accessioned2024-04-19T23:50:36Z-
dc.date.available2024-04-19-
dc.date.available2024-04-19T23:50:36Z-
dc.date.issued2023-11-30-
dc.identifier.urihttp://localhost:8080/jspui/handle/123456789/138-
dc.description.abstractThe project aims to recognize traffic lights in images available in a folder with a pre-trained model and extracts from these images every object it understands as a traffic light. These images are subsequently followed and separated into “red traffic light”, “yellow traffic light”, “green traffic light” and what was recognized as a traffic light but is not a traffic light in the “negative” folder. After separating these images, it is used to train the InceptionV3 network to recognize and differentiate traffic lights by color, a part of this data is separated for testing and another for network validation. The highest performing convolutional neural network and saved in an file. This file is used in a code to recognize and classify traffic lights in colors in images captured in real time. In summary, an AI trained to recognize and classify traffic lights by color can solve several problems and challenges related to safety, efficiency and reliability when applied to autonomous vehicles or in conjunction with an ADAS system, providing safe interaction with the environment. traffic, adding the benefit of continuous AI training and learning.pt_BR
dc.languageporpt_BR
dc.publisherAssociação Educacional Dom Boscopt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectEngenharia elétricapt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectRede neural convolucionalpt_BR
dc.subjectSemáforopt_BR
dc.titleEstudo de IA para reconhecimento de objetos e cores aplicada a sinais de trânsitopt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Amorim, Tiago Duarte-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9139738182304749pt_BR
dc.contributor.referee1Monteiro, Luis Fernando Ribas-
dc.contributor.referee2Santos, Ramon Alves dos-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/3938117185167086pt_BR
dc.description.resumoO projeto visa reconhecer semáforos em imagens disponíveis em uma pasta com um modelo pré-treinado e extrair dessas imagens todo objeto que entende como semáforo. Posteriormente essas imagens são analisadas e separadas em “semáforo vermelho”, “semáforo amarelo”, “semáforo verde” e o que foi reconhecido como semáforo, mas não é um semáforo, na pasta “negativo”. Após separadas essas imagens, elas são usadas para treinar a rede neural InceptionV3 para reconhecer e diferenciar os semáforos por cores, sendo que uma parte desses dados são separados para teste e outro para validação da rede. A rede neural convolucional com maior desempenho é salva em um arquivo. Esse arquivo é utilizado em um código para reconhecer e classificar os semáforos em cores em imagens capturadas em tempo real. Em resumo, uma IA treinada para reconhecer e classificar os semáforos de trânsito por cores, pode resolver diversos problemas e desafios relacionados à segurança, eficiência e confiabilidade quando aplicada em veículos autônomos ou em conjunto com sistema ADAS, proporcionando uma interação segura com o ambiente de tráfego, adicionando-se o benefício de treinamento e aprendizado contínuo da IA.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentFaculdade de Engenharia de Resendept_BR
dc.publisher.initialsAEDBpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
Aparece nas coleções:Engenharia Elétrica com ênfase em Eletrônica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Estudo de uma IA para reconhecimento de objetos e cores aplicada a sinais de trânsito.pdf2,44 MBAdobe PDFVisualizar/Abrir


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