O uso de deep learning como um possível otimizador de tráfego urbano em semáforos.

Página do item simplificado
dc.contributor.advisorPETRI, Marcelo
dc.contributor.authorPROCHNOW, Gustavo
dc.contributor.authorMARCON, Vinicius
dc.coverage.spatialJoinville/SC
dc.date.accessioned2024-03-01T19:27:03Z
dc.date.available2024-03-01T19:27:03Z
dc.date.issued2023-12
dc.description.abstractExplorando as possibilidades de inovação em sistemas de controle de tráfego urbano, este projeto em Engenharia de Computação propõe a criação de um sistema inteligente baseado em visão computacional e redes neurais. O objetivo central é implementar uma solução capaz de identificar e contar, em tempo real, veículos e pedestres em cruzamentos, possibilitando assim, um controle de semáforos mais dinâmico. Ao utilizar câmeras de segurança pública, o sistema captura imagens do ambiente urbano na região do semáforo, e por meio do uso de redes neurais treinadas, realiza a identificação precisa de veículos e pedestres. Essa abordagem proporciona uma contagem eficiente, servindo como base para uma possível otimização do controle de semáforos de forma adaptativa, trazendo otimização de tempo, dinamicidade e segurança para os transeuntes. Os resultados almejados visam não apenas melhorar a eficiência do tráfego, mas também explorar as capacidades das redes neurais na aprendizagem de padrões em ambientes dinâmicos. Este estudo propõe uma contribuição significativa para a área de sistemas inteligentes de controle de tráfego urbano, destacando a aplicação prática de visão computacional e de redes neurais. O sistema proposto é capaz de entregar uma eficiência de 98% para identificação e contagem de veículos e de 97% para a identificação e contagem de pedestres utilizando imagens de câmeras de segurança já instaladas nos locais monitorados.pt
dc.description.abstractExploring innovation possibilities in urban traffic control systems, this Computer Engineering project proposes the development of an intelligent system based on computer vision and neural networks. The central objective is to implement a solution capable of identifying and counting vehicles and pedestrians in real-time at intersections, thus enabling a more dynamic traffic light control. By utilizing public security cameras, the system captures images of the urban environment at the traffic light region and, through trained neural networks, accurately identifies vehicles and pedestrians. This approach provides efficient counting, serving as a basis for potential adaptive optimization of traffic lights, bringing time efficiency, dynamism, and safety for pedestrians. The intended results aim not only to enhance traffic efficiency but also to explore neural networks' capabilities in learning patterns in dynamic environments. This study proposes a significant contribution to the field of intelligent urban traffic control systems, highlighting the practical application of computer vision and neural networks.The proposed system demonstrates 98% efficiency in vehicle identification and counting and 97% in pedestrian identification and counting using images from already-installed security cameras in monitored locations.en
dc.format.extent24
dc.identifier.urihttps://repositorio.animaeducacao.com.br/handle/ANIMA/41629
dc.language.isopt
dc.rightsAttribution-NoDerivs 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nd/3.0/br/
dc.subjectvisão computacional
dc.subjectredes neurais
dc.subjectdeep learning
dc.subjectinteligência artificial
dc.subjectcontrole de tráfego
dc.titleO uso de deep learning como um possível otimizador de tráfego urbano em semáforos.
dc.title.alternativeThe use of deep learning as a possible optimizer of urban traffic at traffic lights.
dc.typeArtigo Científico
local.modalidade.estudoPresencial
local.rights.policyAcesso aberto

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
TCC_Gustavo_Vinicius - O USO DE DEEP LEARNING COMO UM POSSÍVEL OTIMIZADOR DE TRÁFEGO URBANO EM SEMÁFOROS.docx.pdf
Tamanho:
6.3 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
956 B
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Engenharia da Computação
Direitos autorais © 2023 ÂNIMA.
Todos os direitos reservados.