|
Abstract:
|
A aplicação de visão computacional em imagens aéreas tornou o monitoramento de
grandes cetáceos mais seguro e menos invasivo. Entretanto, ainda não existem abordagens de marcação para telemetria arquival que utilizem visão computacional a bordo de
aeronaves remotamente pilotadas. A etapa de percepção visual necessária para essa
aplicação precisa ser capaz de detectar o animal e rapidamente localizar a região anatômica adequada ao acoplamento do dispositivo de telemetria. Esse processo ainda
depende, em grande parte, da operação manual. Neste contexto, este trabalho propõe
o desenvolvimento de um sistema embarcado de processamento de imagens aéreas
capaz de detectar baleias e localizar automaticamente pontos anatômicos de interesse
em tempo real. A solução baseia-se em técnicas de deep learning, utilizando redes
neurais convolucionais da arquitetura YOLOv8 para a detecção de objetos por meio de
caixas delimitadoras e de pontos de interesse anatômicos para a estimativa de pose. O
sistema foi treinado a partir de um conjunto de dados construído com imagens aéreas
obtidas na costa brasileira, contemplando diferentes condições de iluminação, ângulo e
altitude. Para viabilizar a execução em sistemas embarcados de baixo consumo, foram
aplicadas técnicas de otimização, incluindo a conversão dos modelos para TensorRT.
O desempenho da solução proposta foi avaliado por métricas de precisão, revocação
e precisão média de médias, bem como por indicadores de eficiência computacional,
como latência e taxa de quadros por segundo, tanto em ambiente convencional quanto
em plataforma embarcada NVIDIA Jetson Orin Nano 8GB. Os resultados demonstram
a viabilidade da execução em tempo real e indicam que o sistema pode fornecer informações visuais consistentes para aplicações futuras utilizando sistemas autônomos,
contribuindo para o avanço do monitoramento de cetáceos por meio da automação da
percepção visual. |
