Técnicas de pré-processamento utilizando YOLOP para detecção de faixas em ambientes de direção autônoma

• Ano de defesa: 2024
• Autor(a) principal: Sousa, Igor Mahall Marinho de
• Outros Autores: https://lattes.cnpq.br/5873957003704936
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Sistemas de reconhecimento de padrões; ENGENHARIAS: ENGENHARIA ELETRICA; Reconhecimento de Padrões; Deep Learning; Direção Autônoma; Detecção de Faixas; YOLOP
• Link de acesso: https://tede.ufam.edu.br/handle/tede/10622

O campo da direção autônoma tem atraído crescente interesse por soluções que conciliem alto grau de confiabilidade e capacidade de realizar inferências em tempo real. A diversidade presente no mundo real, como variações de iluminação e condições climáticas, impõe desafios adicionais a tarefas como a detecção de objetos e a segmentação semântica. Este trabalho investiga o impacto da aplicação de técnicas de correção de iluminação no sistema YOLOP, um algoritmo de deep learning de estágio único, voltado para a detecção de faixas em rodovias. As técnicas AWB, SCL-LLE e Wavenet foram avaliadas utilizando imagens das bases de dados VIL-100 e CULane. Os resultados experimentais apontaram que o modelo SCL-LLE apresentou o melhor desempenho, evidenciando que o uso de informações semânticas durante o processo de correção de iluminação contribui positivamente para a detecção de faixas, em conformidade com a abordagem do YOLOP, que também explora essas informações.