Monitoramento de prateleiras de supermercado usando Deep Hough Transform e Detecção de Objetos

• Main Author: Sementille, Luiz Fernando Merli de Oliveira [UNESP]
• Publication Date: 2025
• Format: Master thesis
• Language: por
• Source: Repositório Institucional da UNESP
• Download full: https://hdl.handle.net/11449/318321
• topic: Visão computacional; Aprendizado profundo; Arquitetura YOLO; Deep Hough Transform; Detecção de rupturas; YOLO Architecture; YOLO Architecture; Out-of-Stock Detection; Computer vision

Esta dissertação apresentou um pipeline completo baseado em aprendizado profundo para a detecção automática de rupturas internas em prateleiras de supermercados. O sistema integra duas etapas principais: a detecção de produtos, realizada pelas arquiteturas YOLOv11s e YOLOv12s, e a detecção das linhas estruturais das prateleiras, conduzida pelo modelo Deep Hough Transform (DHT). Após a fusão das informações extraídas, as regiões candidatas a rupturas passam por um processo de filtragem geométrica e validação estatística adaptativa, responsável por distinguir as rupturas reais das variações naturais de espaçamento entre produtos adjacentes. Os resultados experimentais demonstraram o bom desempenho das duas arquiteturas YOLO após o ajuste supervisionado ao domínio local, com F1-Scores superiores a 0,90 na detecção de produtos e desempenho mais equilibrado para a YOLOv12s, que se mostrou mais estável e precisa quando integrada ao pipeline completo. O modelo DHT, por sua vez, alcançou F1-Score de 0,9541 na detecção das linhas das prateleiras, contribuindo para uma segmentação estrutural consistente. A integração dos módulos resultou em um pipeline final capaz de detectar rupturas genuínas com F1-Score médio de 0,6977 e precisão de 0,6844, mantendo desempenho estável mesmo em cenários com alta densidade de produtos, oclusões parciais e variações de iluminação. A abordagem proposta representa uma contribuição significativa para o monitoramento automatizado de prateleiras, ao oferecer uma solução escalável, modular e de baixo custo computacional aplicável em ambientes reais de varejo. Os resultados obtidos confirmam a hipótese de que a combinação de detectores de objetos e de estruturas lineares, aliada a um mecanismo adaptativo de validação, constitui uma estratégia eficaz para a detecção precisa de rupturas internas e para o aprimoramento da gestão de estoques no contexto do varejo inteligente.