Solução de aprendizado de máquina para contagem de pessoas em ambientes internos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSpanhol, Fabio Alexandre-
Autor(es): dc.contributorSpanhol, Fabio Alexandre-
Autor(es): dc.contributorCamargo, Fábio Engel de-
Autor(es): dc.contributorAndrade, Sidgley Camargo de-
Autor(es): dc.creatorTrentini, Henrique Frederico-
Data de aceite: dc.date.accessioned2025-08-29T11:57:58Z-
Data de disponibilização: dc.date.available2025-08-29T11:57:58Z-
Data de envio: dc.date.issued2025-05-09-
Data de envio: dc.date.issued2025-05-09-
Data de envio: dc.date.issued2025-02-10-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/36746-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1086538-
Descrição: dc.descriptionThis work presents the development of a computer vision system based on machine learning for automated people counting in indoor environments. The main motivation for this proposal is its application in automation solutions aimed at optimizing energy consumption by intelligently controlling devices such as air conditioning and lighting. The system was developed using Google Colab, Keras, and the YOLO model from Ultralytics. The results demonstrate the effectiveness of the proposed approach, with the final model achieving a mean absolute error (MAE) of 0.099, even in challenging scenarios with high individual density and overlapping. This performance highlights the model’s ability to handle complex visual contexts, making it a promising alternative for practical applications in automation and indoor monitoring.-
Descrição: dc.descriptionEste trabalho apresenta o desenvolvimento de um sistema de visão computacional baseado em aprendizado de máquina para a contagem automatizada de pessoas em ambientes internos. A principal motivação para a proposta é a aplicação em soluções de automação, visando a otimização do consumo de energia elétrica por meio do acionamento inteligente de dispositivos como ar-condicionado e iluminação. Para o desenvolvimento do sistema, foram utilizadas as ferramentas Google Colab, Keras e o modelo YOLO da Ultralytics. Os resultados obtidos demonstram a eficácia da abordagem proposta, com o modelo final alcançando um erro médio absoluto (MAE) de 0,099, mesmo em cenários desafiadores com alta densidade de indivíduos e sobreposições. Esse desempenho evidencia a capacidade do modelo de lidar com contextos visuais complexos, tornando-o uma alternativa promissora para aplicações práticas de automação e monitoramento em ambientes internos.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherToledo-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherTecnologia em Sistemas para Internet-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectVisão por computador-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectComputer vision-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleSolução de aprendizado de máquina para contagem de pessoas em ambientes internos-
Título: dc.titleMachine learning solution for people counting in indoor environments-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.