Inteligência artificial de borda para leitura automática de placas veiculares

DSpace Repository

A- A A+

Inteligência artificial de borda para leitura automática de placas veiculares

Show simple item record

dc.contributor Universidade Federal de Santa Catarina. pt_BR
dc.contributor.advisor Antonelo, Eric Aislan
dc.contributor.author Souza, Aruã Viggiano
dc.date.accessioned 2026-07-13T12:38:17Z
dc.date.available 2026-07-13T12:38:17Z
dc.date.issued 2026-07-06
dc.identifier.uri https://repositorio.ufsc.br/handle/123456789/274122
dc.description TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação. pt_BR
dc.description.abstract Este trabalho apresenta o desenvolvimento de um sistema de leitura automática de placas de veículos (ALPR -- Automatic License Plate Recognition) com foco em viabilizar uma solução de baixo custo executável em hardware embarcado acessível. O problema surgiu no contexto do produto Aegis Access Control, desenvolvido pela Palmsoft Tecnologia, em que câmeras LPR comerciais de alto custo são utilizadas para controle de acesso em condomínios autônomos de aluguel de curto prazo. O objetivo do trabalho é criar e validar um algoritmo de leitura de placas de veículos brasileiras e analisar sua performance ao ser executado na placa Radxa ROCK 3A, equipada com o chip Rockchip RK3568, que conta com uma NPU de 0,8 TOPs. A solução proposta consiste em um pipeline de visão computacional estruturado em três etapas: detecção e classificação da placa por meio do modelo YOLO26n-pose, pré-processamento da imagem da placa com correção de perspectiva, binarização adaptativa pelo método de Sauvola e segmentação de caracteres, e classificação dos caracteres extraídos por redes neurais convolucionais especializadas. Uma abordagem alternativa baseada em modelos de extração e classificação simultânea de caracteres também foi desenvolvida e avaliada. O desenvolvimento seguiu o processo CRISP-DM e utilizou o dataset público RodoSol-ALPR. Os modelos foram treinados em ambiente de desenvolvimento, exportados para o formato ONNX e convertidos para o formato RKNN com quantização uint8 para execução na NPU. Os resultados obtidos demonstram acurácia de 91,05% com o pipeline de classificação simultânea e de 85,75% com o pipeline de caracteres isolados. Na ROCK 3A, o melhor tempo de inferência foi de 464,10 ms com YOLO executando na NPU e o modelo simultâneo na CPU, e de 539,22 ms com todos os modelos do pipeline de caracteres isolados na NPU. Os resultados confirmam a viabilidade técnica e econômica da proposta, com redução de custo por unidade de R$ 5.700--7.500 para valores da ordem de poucas centenas de reais. pt_BR
dc.format.extent 86 pt_BR
dc.language.iso por pt_BR
dc.publisher Florianópolis, SC. pt_BR
dc.rights Open Access. en
dc.subject Leitura de placas veiculares pt_BR
dc.subject Visão computacional pt_BR
dc.subject Redes neurais convolucionais pt_BR
dc.subject Hardware de borda pt_BR
dc.title Inteligência artificial de borda para leitura automática de placas veiculares pt_BR
dc.type TCCgrad pt_BR


Files in this item

Files Size Format View
monografia_final_arua-1.pdf 7.948Mb PDF View/Open

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account

Statistics

Compartilhar