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
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
UFPR
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
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