Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/65404
Title in Portuguese: Monitoramento de distanciamento social utilizando aprendizado de máquina e visão computacional
Author: Façanha, Kassiane Lopes
Advisor(s): Sousa, Paulo Victor Barbosa de
Keywords: Cluster (Sistema de computador)-Detecção
Visão computacional
Aprendizado do computador
Issue Date: 2022
Citation: FAÇANHA, Kassiane Lopes. Monitoramento de distanciamento social utilizando aprendizado de máquina e visão computacional. 2022. 42 f.Trabalho de Conclusão de Curso (Graduação em Ciência da Computação)-Universidade Federal do Ceará, Campus de Quixadá, Quixadá, 2022.
Abstract in Portuguese: Considerando a história das doenças virais humanas, desde a pandemia de gripe até a atual pandemia de COVID-19, estamos sempre em busca de formas cada vez mais inovadoras de combater essas doenças. Pesquisadores de diferentes áreas estão pesquisando incansavelmente métodos eficazes para ajudar as pessoas a se protegerem. Alguns estudos importantes têm sido propostos na área de computação, como boné inteligente, que pode ajudar na proteção por meio da detecção de altas temperaturas e avisos de quebra de distância social. Também temos detectores de distância social que utilizam câmeras de segurança e redes neurais profundas e análises de riscos de infecção através desse monitoramento. Neste trabalho é proposto o desenvolvimento de uma ferramenta com técnicas de aprendizado de máquina e visão computacional para detecção de aglomeração em espaços públicos. Foi utilizado o YOLOv3 (You Only Look Once) para detectar pessoas e calcular a distância euclidiana entre pares e verificar se há violação de distância mínima de 1,5m, conforme estabelecido pela Organização Mundial de Saúde (OMS). Por conta de ser uma conversão simples, essa a distância mínima não chega a ser a exata em relação a distância real mas chega próximo. Os testes foram realizados utilizando um vídeo pré-gravado e um vídeo em tempo real no local por onde as pessoas costumam caminhar. Foi feita uma análise qualitativa e foi calculada a acurácia de cada vídeo em determinados momentos. A acurácia média foi de 94,66% para vídeos pré-gravados, 90,28% para vídeos gravados em tempo real e 92,47% para vídeos gravados em tempo real, sem uso de GPU (Unidade de Processamento Gráfico) e alto FPS (Frames por segundos), sendo considerado muito eficiente, em questão de velocidade do vídeo e da detecção, principalmente em comparação com outros trabalhos em que as GPUs ajudam. Como resultado, foi desenvolvido uma ferramenta capaz de ajudar no combate, não só ao COVID-19, mas a várias doenças de contágio similar.
Abstract: Considering the history of human viral diseases, from the flu pandemic to the current COVID-19 pandemic, we are always looking for more and more innovative ways to combat these diseases. Researchers from different fields are relentlessly researching effective methods to help people protect themselves. Some important studies have been proposed in the area of computing, such as a smart cap, which can help in protection by detecting high temperatures and warnings of breaking social distance. We also have social distance detectors that use security cameras and deep neural networks and analysis of infection risks through this monitoring. This work proposes the development of a tool with machine learning and computer vision techniques to detect agglomeration in public spaces. YOLOv3 (You Only Look Once) was used to detect people and calculate the Euclidean distance between pairs and verify if there is a minimum distance violation of 1.5m, as established by OMS. Because it is a simple conversion, this minimum distance is not exactly the same in relation to the real distance, but it comes close. The tests were carried out using pre-recorded video and real-time video at a public place where people usually walk. A qualitative analysis was performed and the accuracy of each video was calculated at certain times. The average accuracy was 94.66% for pre-recorded videos, 90.28% for videos recorded in real-time and 92.47% for videos recorded in real-time, without using GPU (Graphics Processing Unit) and high FPS (Frames per Second), which is considered very efficient, in terms of video speed and detection, especially compared to other jobs where GPUs help. As a result, we have a tool capable of helping to fight not only COVID-19, but also several diseases WITH similar contagion.
URI: http://www.repositorio.ufc.br/handle/riufc/65404
metadata.dc.type: TCC
Appears in Collections:CIÊNCIA DA COMPUTAÇÃO-QUIXADÁ - Monografias

Files in This Item:
File Description SizeFormat 
2021_tcc_klfacanha.pdf1,88 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.