Estudo e Desenvolvimento de Algoritmos de Tomada de Decisão em Sistemas Embarcados de Protótipos de Veículos Autônomos de Pequena Escala com Aplicações na Agricultura e Agronegócio

Estudo e Desenvolvimento de Algoritmos de Tomada de Decisão em Sistemas Embarcados de Protótipos de Veículos Autônomos de Pequena Escala com Aplicações na Agricultura e Agronegócio

• Autor
• Klebiano Kennedy da Silva Lima
• Co-autores
• Matheus da Silva Menezes
• Resumo

•  

  A área do aprendizado de máquina possui diversas aplicações nos mais variados ramos da engenharia, medicina, estatística e computação. Uma das aplicações mais conhecidas é a sua utilização na classificação de imagens e escrita, onde a Rede Neural Convolucional (Convolutional Neural Network - CNN) vêm apresentando bons resultados para este tipo de problema. Neste trabalho foram apresentadas algumas análises teóricas dos componentes mais importantes da CNN e seus parâmetros principais como a taxa de aprendizagem, número de camadas escondidas, diferentes funções de ativação e utilização de camadas dropout e maxpooling, assim como os métodos mais utilizados para otimizar o treino das redes neurais. Além disso, foi realizado o desenvolvimento, otimização e treino de algumas CNNs para a detecção de três diferentes tipos de objetos (carro, placa de pare de trânsito e vaso de planta) com precisão maior do que 95%, as imagens selecionadas foram com objetivo de aplicar a rede neural em tempo real em um veículo de pequeno porte para aplicações na agricultura, onde uma câmera e sensores de proximidade auxiliariam no trajeto autônomo do veículo e na detecção de objetos e frutas em diferentes estados de preservação. Para isso foram treinados múltiplos modelos otimizando seus parâmetros e camadas principais, comparando a rede neural treinada com alguns dos melhores modelos pré-treinados na área de classificação de imagens como Mobilenet, VGGNet-16, GoogleNet, DenseNet e VGGNet-19. No total, 63 modelos diferentes foram treinados utilizando a biblioteca de código aberto Keras, com tempo de treinamento médio de 150 minutos para cada modelo, e o código foi escrito em linguagem de programação Python para maior facilidade de entendimento e utilização otimizada de GPUs(Graphical Processing Units) para treinamento de redes neurais. Para a seleção dos melhores modelos foram levados em conta as perdas e precisões nos datasets de treinamento e validação, também foram checadas as curvas de perdas e validação para conferir se a rede neural apresentou problemas de sobreajuste e subajuste. O melhor modelo treinado apresentou alta precisão, comparado com os modelos pré-treinados citados anteriormente, a comparação se deu pelas curvas e valores obtidos nas perdas e precisão, também foi levado em conta o tempo de treino para cada um dos modelos. As comparações foram realizadas em imagens de teste iguais para tentar manter os resultados mais comparáveis possíveis e indicando que modelos de CNNs menores, que consequentemente necessitam de menor capacidade de computação para inferência em tempo real, focados em poucas categorias podem oferecer resultados semelhantes a modelos de CNNs com maior número de camadas e mais gerais.

• Palavras-chave
• redes neurais, aprendizado de máquina, classificação de objetos, transferência de aprendizagem, inteligência artificial
• Área Temática
• Ciências Exatas e da Terra

Voltar Download