Detecção e Classificação de Placas de Sinalização de Trânsito Brasileiras Utilizando Redes Neurais Artificiais

Abstract

A segurança viária é um desafio crescente diante da expansão da frota de veículos, motivando o desenvolvimento de Sistemas Avançados de Assistência ao Condutor (ADAS) para a mitigação de riscos de acidentes. Nesse contexto, o reconhecimento automático de placas de transito desponta como um componente complementar. Contudo, a aplicação de modelos genéricos de visão computacional no Brasil, esbarra nas particularidades visuais da sinalização nacional e no custo do hardware exigido por soluções comerciais. Este trabalho desenvolve e valida um módulo de detecção de placas brasileiras baseado na arquitetura YOLOv11, investigando poda neural e quantização como caminhos de compressão para execução em hardware de baixo custo. Para o treinamento foi construído o Brazilian Traffic Sign Dataset (BRTS), com 322.844 recortes de placas em 116 classes, expandido para 528.274 imagens por algoritmos autorais de aumento de dados e composição sintética de cenas (copy-paste augmentation) com fundos reais. O modelo treinado atingiu mAP@0,5 de 0,984 na validação, superando a meta de 90%. A quantização para ONNX FP16 preservou a acurácia (mAP@0,5 de 0,9837), enquanto a poda L1 não-estruturada de 20% seguida de fine-tuning colapsou durante o retreinamento (mAP@0,5 de 0,677) — um resultado negativo que evidencia a sensibilidade do modelo podado à taxa de aprendizado. As três variantes são confrontadas em vídeos reais de condução: as detecções são comparadas a um gabarito anotado manualmente, medindo precisão, recall, latência de resposta e tempo de inferência de cada variante. O embarque em plataforma NVIDIA Jetson Nano é apontado como trabalho futuro.