USO DE REDE NEURAL IMPLEMENTADA SOBRE DISPOSITIVOS IOT PARA RECONHECIMENTO DE INDIVÍDUOS ARMADOS
Palavras-chave:
Redes Neurais Convolucionais. IoT. Detecção de objetos. Sistema EmbarcadosResumo
Este artigo apresenta a utilização de métodos de detecção de objetos implementados sobre dispositivos embarcados para a área da segurança. Os sistemas de vigilância com câmeras inteligentes e conexões IP, fazem parte da maioria dos sistemas de segurança tradicionais. Este artigo propõe um modelo de câmera implementado em um dispositivo ESP32, que é conectado a um servidor Raspberry Pi o qual é responsável pela análise de imagens através de uma rede neural para reconhecimento de armas. Foram utilizadas técnicas de pré-treinamento em nuvem através da plataforma Google Collab na rede MobileNet como forma de eliminar problemas com relação ao tempo de treinamento da rede neural. Além disso, também foi realizada a implementação de um serviço TCP/IP multithread para comunicação entre os dispositivos IoT anteriormente citados, o que permitiu diversas conexões no servidor simultaneamente. Os testes realizados buscaram utilizar a rede neural MobileNet em mais de 400 cenários com diferentes objetos. Através de uma matriz confusão, o sistema proposto apresentou resultados promissores de 57% de acurácia e 90% de precisão. A implementação provou ser funcional, capaz de detectar o objeto procurado, e enviar os alertas utilizando a conectividade WIFI, sem apresentar altas taxas de falso negativo.
Downloads
Referências
APPEN.What is Training Data? Sydney. 2020.Disponível em:https://appen.com/blog/training-data/. Acesso em: 05 out. 2021. não paginada.
ALVES, Gisely. Entendendo Redes Convolucionais(CNNs).neurônio.ai. [S. l.] . 2018. Disponível em: https://medium.com/neuronio-br/entendendo-redes-convolucionais-cnns-d10359f21184. Acesso em: 10/10/2021. não paginada.
BRAMBERGER, Michael et al. Real-time video analysis on an embedded smart camera for traffic surveillance. In: Proceedings. RTAS 2004. 10th IEEE Real-Time and Embedded Technology and Applications Symposium, 2004. IEEE, 2004. p. 174-181.
FERREIRA, Vitor Finotti. Towards FPGA-embedded CNNs: Network quantization and HDL infrastructure for bringing CNNs into FPGAs. Orientador: Dr. Bruno de Carvalho Albertini. 2021. 106 p. Dissertação (Master degree on Computer Engineering) - Escola Politécnica da Universidade de São Paulo, São Paulo, p. 34, 2021.
KANAMI, Pratik; PADOLE, Mamta. Deep learning to detect skin cancer using google colab. International Journal of Engineering and Advanced Technology Regular Issue, v. 8, n. 6, p. 2176-2183, 2019.
KATARIA, Jatin. Carnivores Image Classification using Google Colab. Analytics Vighya. [S. l.]. 2020. Disponível em: https://medium.com/analytics-vidhya/carnivores-imageclassification-using-google-colab-add14f7c3e4f. Acesso em: 27 out. 2021. não paginada.
LUKETINA, Jelena et al. A survey of reinforcement learning informed by natural language. arXiv preprint arXiv:1906.03926, 2019.
MADEIRO, Carlos. Mortes por arma de fogo no país atingem o maior percentual desde 1980. Maceió, 2019. Disponível em: https://noticias.uol.com.br/cotidiano/ultimasnoticias/2019/06/05/mortes-por-arma-de-fogo-no-pais-atingem-maior-percentual-desde1980.html. Acesso em: 16 out. 2021. não paginada
MILANO, Danilo de; HONORATO, Luciano Barrozo. Visão Computacional. p. 1, 2014 Universidade Estadual de Campinas (UNICAMP), Disponivel em: https://docplayer.com.br/3058305-Visao-computacional-danilo-de-milano-luciano-barrozohonorato-unicamp-universidade-estadual-de-campinas-ft-faculdade-de-tecnologia.html. Acesso em: 25 out. 2021.
MOREIRA, Eliana Alves; CARRIEL, Gerson Nunho. Paralelismo em Nível de Thread. p. 1, [entre 2015 a 2020]. Disponível em: https://www.ic.unicamp.br/~ducatte/mo401/1s2012/T2/G01-120437-123789-134097-t2.pdf Acesso em: 02 nov. 2021.
NOGARE. Diego. Performance de Machine Learning – Matriz de Confusão. [S. l.]. 2020. Disponível em:http://diegonogare.net/2020/04/performance-de-machine-learning-matriz-deconfusao/. Acesso em: 08 nov. 2021. não paginada.
OSÓRIO, Fernando S., BITTENCOURT, João R. Sistemas Inteligentes baseados em Redes Neurais Artificiais aplicados ao Processamento de Imagens. I WORKSHOP DE INTELIGÊNCIA ARTIFICIAL UNISC – Universidade de Santa Cruz do Sul Departamento de Informática- Junho ,p. 18, 2000. Disponível em: https://docplayer.com.br/3402894-Sistemas-inteligentes-baseados-em-redes-neuraisartificiais-aplicados-ao-processamento-de-imagens.html. Acesso em: 29 out. 2021.
PACHECO, André GC. Classificação de espécies de peixe utilizando redes neurais convolucionais. arXiv preprint arXiv:1905.03642, p. 1-6, 2016.
REALENGO, Janaúba e outros: episódios de ataques em escolas no Brasil. G1, [S. l.], Não paginada, 13 mar. 2019. Disponível em: https://g1.globo.com/sp/mogi-das-cruzessuzano/noticia/2019/03/13/episodios-de-ataques-em-escolas-no-brasil.ghtml. Acesso em: 28 out. 2021. não paginada
RUDEK, Marcelo, COELHO, Leandro dos Santos, CANCIGLIERI JUNIOR, Osiris, Visão Computacional Aplicada a Sistemas Produtivos: Fundamentos e Estudo de Caso, XXI 54 Encontro Nacional de Engenharia de Produção - 2001, Salvador, p. 1, 2001.
SARKER, MO Faruque; WASHINGTON, Sam. Learning Python Network Programming. Packt Publishing Ltd, p. 178, 2015.
SILVA, IN da; SPATTI, Danilo Hernane; FLAUZINO, Rogério Andrade. Redes neurais artificiais para engenharia e ciências aplicadas. São Paulo: Artliber, v. 23, n. 5, p. 33-111, 2010.
