Vacancy state detector oriented to convolutional neural network, background subtraction and embedded systems

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMorais, Erikson Freitas de-
Autor(es): dc.contributorRodrigues, Pedro João Soares-
Autor(es): dc.contributorRodrigues, Pedro João Soares-
Autor(es): dc.contributorFernandes, José Eduardo Moreira-
Autor(es): dc.contributorMorais, Erikson Freitas de-
Autor(es): dc.contributorLopes, Rui Pedro Sanches de Castro-
Autor(es): dc.creatorCorrêa, Isabelle de Moura-
Data de aceite: dc.date.accessioned2022-02-21T21:32:55Z-
Data de disponibilização: dc.date.available2022-02-21T21:32:55Z-
Data de envio: dc.date.issued2021-11-22-
Data de envio: dc.date.issued2021-11-22-
Data de envio: dc.date.issued2019-12-10-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/26487-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/655109-
Descrição: dc.descriptionO presente trabalho é resultado de um convênio de dupla diplomação com o Instituto Politécnico de Bragança (Portugal)-
Descrição: dc.descriptionMuch has been discussed recently related to population ascension, the reasons for this event, and in particular, the aspects of society affected. Over the years, the city governments realized a higher level of growth, mainly in terms of urban scale, technology, and individuals numbers. It comprises improvements and investments in their structure and policies, motivated by improving conditions in population live quality and reduce environmental, energy, fuel, time, and money resources, besides population living costs, including the increasing demand for parking structures accessible to the general or private-public, and a waste of substantial daily time and fuel, disturbing the population routinely. Therefore, one way to achieve that challenge is focused on reducing energy, money,and time costs to travel to work or travel to another substantial location. That work presents a robust, and low computational power Smart Parking system adaptive to several environments changes to detect and report vacancy states in a parking space oriented to Deep Learning, and Embedded Systems. This project consists of determining the parking vacancy status through statistical and image processing methods, creates a robust image data set, and the Convolutional Neural Network model focused on predict three final classes. In order to save computational power, this approach uses the Background Subtraction based on the Mixture of Gaussian method, only updating parking space status, in which large levels of motion are detected. The proposed model presents 94 percent of precision at the designed domain.-
Descrição: dc.descriptionMuito se discutiu recentemente sobre a ascensão populacional, as razões deste evento e, em particular, os aspectos da sociedade afetados. Ao longo dos anos, os governos perceberam um grande nível de crescimento, principalmente em termos de escala urbana, tecnologia e número de indivíduos. Este fato deve-se a melhorias e investimentos na estrutura urbana e políticas motivados por melhorar as condições de qualidade de vida da população e reduzir a utilização de recursos ambientais, energéticos, combustíveis, temporais e monetários, além dos custos de vida da população, incluindo a crescente demanda por estruturas de estacionamento acessíveis ao público em geral ou público-privado. Por tanto, uma maneira de alcançar esse desafio é manter a atenção na redução de custos de energia, dinheiro e tempo para viajar para o trabalho ou para outro local substancial. Esse trabalho apresenta um sistema robusto de Smart Parking, com baixo consumo computacional, adaptável a diversas mudanças no ambiente observado para detectar e relatar os estados das vagas de estacionamento, orientado por Deep Learninge Embedded Systems. Este projeto consiste em determinar o status da vaga de estacionamento por meio de métodos estatísticos e de processamento de imagem, criando um conjunto robusto de dados e um modelo de Rede Neuronal Convolucional com foco na previsão de três classes finais. A fim de reduzir consumo computacional, essa abordagem usa o método de Background Subtraction, somente atualizando o status do espaço de estacionamento em que grandes níveis de movimento são detectados. O modelo proposto apresenta 94 porcento da precisão no domínio projetado.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectEstacionamento de automóveis-
Palavras-chave: dc.subjectProcessamento de imagens-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectControle de processo - Métodos estatísticos-
Palavras-chave: dc.subjectAutomobile parking-
Palavras-chave: dc.subjectImage processing-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectProcess control - Statistical methods-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleVacancy state detector oriented to convolutional neural network, background subtraction and embedded systems-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.