Detecção de animais com risco de extinção utilizando arquiteturas You Only Look Once (YOLO) para rodovias inteligentes com suporte a computação de borda

• Ano de defesa: 2023
• Autor(a) principal: Ferrante, Gabriel Souto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Animal detection; Classificação; Classification; Computação de borda; Computer vision; Convolutional neural networks; Detecção animal; Edge computing; Redes neurais convolucionais; Rodovias inteligentes; Smart highways; Visão computacional; YOLO
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-15012024-092508/

No Brasil, o problema de acidentes rodoviários envolvendo animais é recorrente, tendo um grande número de incidentes em todas as regiões e biomas. Este problema afeta negativamente a vida de espécies silvestres em áreas florestais próximas às pistas e com a falta de medidas de proteção e monitoramento ou alternativas de passagem segura para os animais, esse problema se intensifica com os animais realizando o cruzamento das vias, gerando risco a suas vidas e a dos condutores. Com a falta de medidas de proteção ambiental nas estradas, organizações voluntárias e científicas brasileiras criaram alguns sistemas para entender o fenômeno dos acidentes com os animais, porém tais sistemas não são ágeis e nem automáticos, pois não implementam soluções computacionais para o monitoramento inteligente. Este trabalho apresenta uma proposta de elaboração de mecanismos de detecção de animais silvestres com risco de extinção que estão mais envolvidos em acidentes rodoviários no Brasil. Tais mecanismos são especializados para rodovias inteligentes com uso de visão computacional e computação de borda. Assim, a proposta possui etapas fundamentais como a aquisição e criação de um conjunto de imagens especializado para o tema, juntamente com aplicação de técnicas de aumento de dados, treinamento de modelos de detecção de objetos baseados em arquitetura YOLO (YoloV4, Scaled-YoloV4, YoloV5, YoloR, YoloX e YoloV7), testes e validação em dados de imagem e vídeo. Ainda dentro do contexto da proposta, foi realizada uma avaliação de desempenho em ambiente de borda com um recurso computacional limitado. Em conjunto, também é feita uma análise qualitativa sobre os modelos em desafios clássicos de visão computacional. Como conclusão, a execução em tempo-real dos modelos aplicados a dispositivos de computação de borda com baixo poder computacional ainda é um desafio, visto que os modelos mais complexos e robustos em detecção tiveram dificuldades de serem executados, obtendo baixas velocidades de inferência e alto consumo de memória, inviabilizando suas implementações. Já os modelos em suas versões menos complexas e não tão acuradas, permitiram a execução dos experimentos em tempo real. Nenhum modelo utilizado teve desempenho adequado que fosse capaz de superar as problemáticas de detecção dos cenários propostos, demonstrando que tais problemas ainda são desafiadores para as arquiteturas tradicionais do YOLO em geral.