Publicação: Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Alves, Raulcézar Maximiano Figueira
Resumo
Com o avanço da tecnologia e o custo das tecnologias dos sistemas avançados de
assistência ao condutor (ADAS) diminuindo, a adoção desses sistemas se torna mais
popular, onde tanto os carros de luxo como também os carros mais populares já tem
acesso a esses sistemas. Nessa realidade, os governos necessitam fazer a manutenibilidade
dos sinais de trânsito que compõem a malha rodoviária, uma vez que esse sinais são
utilizados como entrada para os ADAS. Este trabalho descreve os métodos tanto para
mapeamento de lombadas quanto para criação de inventários dos sinais de trânsito. São
comparadas técnicas de aprendizado de máquina e arquiteturas de redes convolucionais
para a detecção e classiĄcação de lombadas e sinais de trânsito respectivamente. Os
resultados deste trabalho demonstram a viabilidade do método proposto, alcançando 96%
de acurácia na classificação de lombadas utilizando o algoritmo Random Forest, e com
94% de acurácia na classiĄcação dos sinais de trânsito utilizando a arquitetura Faster
RCNN.
Abstract
Due to recent technological advancements, the cost of advanced driver assistance sys-
tems (ADAS) technologies has decreased signiĄcantly, contributing to its widespread
adoption in vehicles of all price ranges. In this reality, governments need to maintain
traffic signs that compose the road network, since these signs are used as input to the
ADAS. This work describes methods for both mapping speed bumps and creating road
signs inventories as well. Machine learning techniques and convolutional network archi-
tectures are compared for detection and classiĄcation of speed bumps and traffic signs
respectively. Results of this work demonstrate the viability of the proposed method,
reaching 96% of accuracy in the classiĄcation of speed bumps using Random Forest al-
gorithm, and 94% of accuracy in the classiĄcation of traffic signs using Faster RCNN
architecture.
Palavras-chave
Machine Learning, Mapeamento móvel, Deep Learning, Lombadas, Sinais de Trânsito, Computação, Mobile mapping, Speed bumps, Traffic signals
Citação
RIBEIRO, Johny Marques Borges. Métodos de aprendizado de máquina para inventário de elementos de vias de trânsito. 2021. 109 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2021.110.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto