Use este identificador para citar ou linkar para este item: https://repository.ufrpe.br/handle/123456789/4268
Título: Avaliação de plataformas para o reconhecimento de placas veiculares brasileiras
Autor: Amaral, Carlos Ivan Santos do
Endereco Lattes do autor: http://lattes.cnpq.br/8099840025648951
Orientador: Garrozi, Cícero
Endereco Lattes do orientador : http://lattes.cnpq.br/0488054917286587
Palavras-chave: Aprendizado do computador;Visão computacional;Automóveis;Placas;Reconhecimento óptico de caracteres
Data do documento: 14-Dez-2021
Citação: AMARAL, Carlos Ivan Santos do. Avaliação de plataformas para o reconhecimento de placas veiculares brasileiras. 2021. 23 f. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Departamento de Estatística e Informática, Universidade Federal Rural de Pernambuco, Recife, 2021.
Abstract: With the growing number of private vehicles in Brazil, better methods for managing and inspecting the vehicle fleet is becoming increasingly necessary. License plates (LP) are unique and mandatory objects with the purpose of identifying the vehicle as well as its owner. It is recommended that the efficient collection of information on license plates be performed by automated systems for LP detection and recognition. These systems are fundamental for the supervision and management of different activities related to vehicle traffic. In this regard, this paper presents a study that identifies methods for LP detection and recognition with algorithms based on machine learning and deep learning. To produce this experiment, we succeeded in collecting an image bank of vehicles in toll plazas that are located in the municipality of Cabo de Santo Agostinho - PE and provide access to the Governador Eraldo Gueiros Port Industrial Complex - SUAPE. The objective of this work was to provide a comparison between Microsoft Azure's computer vision service for LP object detection in conjunction with Google Vision's Optical Character Recognition (OCR) services with the YOLO v4 Deep Learning algorithm. The result of the experiment showed that under similar configuration conditions in both models studied, YOLO v4 performed better, achieving a 92% precision rate in license plate detection and recognition.
Resumo: Com a crescente quantidade de veículos particulares no Brasil se faz cada vez mais necessário melhores métodos de gestão e fiscalização da frota veicular. As placas veiculares (PV) são objetos únicos e obrigatórios com o objetivo de identificar o veículo assim como seu proprietário. É recomendável que a coleta eficiente das informações presentes nas placas veiculares sejam realizadas por meio de sistemas automatizados para a detecção e reconhecimento de PV. Estes sistemas são fundamentais para se realizar a fiscalização e a gestão de diferentes atividades relacionadas ao tráfego de veículos. Neste sentido, este trabalho apresenta um estudo que identifica métodos de detecção e reconhecimento de PV com algoritmos baseados em aprendizagem de máquina. Para a produção desse experimento, sucedeu a coleta de um banco de imagens de veículos em praças de pedágio que estão localizadas no município de Cabo de Santo Agostinho - PE e fazem acesso ao Complexo Industrial Portuário Governador Eraldo Gueiros - SUAPE. O objetivo desse trabalho foi prover uma comparação entre o serviço de visão computacional da Microsoft Azure para detecção de objetos PV em conjunto com os serviços de Reconhecimento Óptico de Caracteres (Optical Character Recognition - OCR) da Google Vision com o algoritmo de Aprendizagem Profunda YOLO v4. O resultado do experimento expôs que em condições semelhantes de configurações em ambos dos modelos estudados, o YOLO v4 apresentou melhor desempenho, obtendo uma taxa de 92% de precisão na detecção e reconhecimento de placas veiculares.
URI: https://repository.ufrpe.br/handle/123456789/4268
Aparece nas coleções:TCC - Bacharelado em Sistemas da Informação (Sede)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tcc_art_carlosivansantosdoamaral.pdf1,96 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.