Projeto PKLot 2.0

Aprendizado de Máquina Aplicado em Cidades Inteligentes

Este projeto tem como objetivo propor novas técnicas que aproveitam o uso de câmeras para aprimorar a gestão automatizada do tráfego em cidades inteligentes por meio de aprendizado de máquina. Ele aborda questões como a detecção automática de vagas de estacionamento, a identificação de áreas congestionadas com veículos e a geração de informações relevantes, como o tempo de utilização de infraestruturas viárias específicas em áreas urbanas.

As soluções desenvolvidas neste projeto poderiam, por exemplo, auxiliar na orientação dos motoristas para a vaga de estacionamento mais próxima disponível, economizando tempo e combustível. Além disso, essas soluções abrem a possibilidade de criar novas oportunidades de negócios, como cobrança automatizada com base na duração que um veículo ocupa uma vaga de estacionamento específica.

Principais Tecnologias

Aprendizado Profundo, Segmentação por Instância, Processamento de Imagem e Dispositivos IoT.

Equipe do Projeto

foto do Alceu

Alceu de Souza Britto Jr.

PUCPR

Andre Hochul

PUCPR

Eduardo Cunha de Almeida

UFPR

Luiz Eduardo S. de Oliveira

UFPR

Paulo R. Lisboa de Almeida

UFPR

Bruno Aquiles

UFPR

Luan Kujavski

UFPR

Marcelo Ribas

UFPR

Heloísa Mendes

Heloísa Mendes

UFPR

Paulo Mateus

Paulo Mateus Luza

UFPR

Nadia Luana Lobkov

UFPR

RESULTADOS ATUAIS

Mapeamento automatizado do layout de áreas de estacionamento

Nosso método, conforme apresentado na IEEE SMC 2023, tem a capacidade de identificar automaticamente áreas de estacionamento por meio de câmeras, totalmente livre de intervenção humana. Isso nos permite mapear e monitorar posteriormente essas regiões dentro de cidades inteligentes com um esforço mínimo.

As soluções desenvolvidas neste projeto poderiam, por exemplo, auxiliar na orientação dos motoristas para a vaga de estacionamento mais próxima disponível, economizando tempo e combustível. Além disso, essas soluções abrem a possibilidade de criar novas oportunidades de negócios, como cobrança automatizada com base na duração que um veículo ocupa uma vaga de estacionamento específica.

No vídeo abaixo, você pode observar o sistema em ação, empregando uma fusão de redes de segmentação por instância e processamento de imagem para processar automaticamente imagens de um dia típico de trabalho. Esse processo permite uma compreensão abrangente do layout da área.

Otimizando Classificação de Vagas de Estacionamento: Destilação de Modelos

Nesta pesquisa, são exploradas soluções para otimizar a classificação de imagens em aplicações de cidades inteligentes, como o monitoramento de vagas de estacionamento. O envio de grandes volumes de dados para servidores centrais representa um desafio para a infraestrutura urbana, exigindo redes e equipamentos complexos.

Para mitigar esse problema, os pesquisadores propuseram um modelo Teacher-Student, onde modelos Teacher (mais complexos) geram pseudo-rótulos para treinar versões Student (mais leves), que podem ser implementadas diretamente em dispositivos de borda.

Os resultados mostram que os modelos Student, mesmo com 26 vezes menos parâmetros, superaram os Teacher, alcançando 96,6% de precisão, tornando a abordagem mais eficiente e escalável para cidades inteligentes.

Um dos autores do artigo intitulado “Optimizing Parking Space Classification: Distilling Ensembles into Lightweight Classifiers”,  publicado na ICMLA (IEEE 2024), apresentou um pouco do seu trabalho em vídeo no canal Bit Por Bit. Descubra mais no link abaixo.

Usando Redes Neurais Profundas para Quantificar o Tempo de Permanência em Estacionamentos

Este estudo propõe um método inovador para calcular o tempo de permanência de veículos em vagas de estacionamento, utilizando duas redes neurais profundas. A primeira rede classifica se uma vaga está ocupada ou vazia, enquanto a segunda, uma rede Siamesa, verifica se o carro estacionado é o mesmo em imagens consecutivas. O sistema foi testado em um cenário cross-dataset, onde os modelos foram treinados em um conjunto de dados (PKLot) e validados em outro (CNRPark-EXT), sem usar amostras do estacionamento alvo durante o treinamento.

Os resultados mostraram que, com um classificador perfeito, o sistema atingiu 75% de previsões precisas, onde o tempo estimado coincidiu exatamente com o tempo real de permanência. No entanto, ao usar um classificador real, a precisão caiu para 49%, evidenciando que a qualidade do classificador inicial impacta significativamente o desempenho da rede Siamese. O erro médio absoluto (MAE) foi de 46 minutos para o PKLot e 54 minutos para o CNRPark-EXT.

A pesquisa conclui que a rede Siamesa é promissora para rastrear veículos ao longo do tempo, mas sua eficácia depende da precisão do classificador. Melhorias no classificador e no treinamento da rede Siamese podem aumentar a precisão do sistema, tornando-o viável para aplicações em cidades inteligentes, como detecção de carros abandonados ou estacionamento irregular.

O artigo intitulado “Using Deep Neural Networks to Quantify Parking Dwell Time”  foi aceito na ICMLA (IEEE 2024).

Trabalhos de Conclusão de Curso

Trabalhos de Conclusão de Curso: Nesse projeto foram gerados alguns trabalhos de conclusão de curso, além de dissertações de mestrado que estão em andamento. Dentre os trabalhos gerados, estão os seguintes:

Luza Alves, Paulo M. Otimizando a Classificação de Vagas de Estacionamento: Destilando Conjuntos em Modelos Leves. 2024. Link

Eckermann Cardoso, Erick. Impacto de Imagens Sintéticas na Classificação de Vagas de Estacionamento Usando Redes Neurais.Link
Rolar para cima