Reaproveitamento de TV Boxes para Aplicação de Contagem de Pessoas na Borda em Cidades Inteligentes
Resumo
Nos últimos anos, grandes quantidades de equipamentos de TV Box ilegais tem sido apreendidos no Brasil. Segundo notícia divulgada em março deste ano, estima-se que haja em torno de 2,5 milhões de TV Boxes nos depósitos da Receita Federal. Por outro lado, o avanço das aplicações baseadas em Internet das Coisas (IoT) e aprendizado de máquina em cidades inteligentes tem impulsionado pesquisas em computação na borda usando dispositivos com limitação de hardware. Este artigo apresenta um estudo sobre a viabilidade de se reaproveitar TV Boxes para computação na borda em uma aplicação de contagem de pessoas a partir de imagens coletadas por câmeras. Uma comparação entre o desempenho de 2 modelos de TV Boxes e hardwares amplamente utilizados em soluções de IoT durante a execução dos modelos de aprendizado profundo YOLOv8 e EfficientDet evidenciam esta viabilidade.Referências
Artstein, R. (2017). Inter-annotator agreement. Handbook of linguistic annotation, pages 297–313.
Band, S. S., Ardabili, S., Sookhak, M., Chronopoulos, A. T., Elnaffar, S., Moslehpour, M., Csaba, M., Torok, B., Pai, H.-T., and Mosavi, A. (2022). When smart cities get smarter via machine learning: An in-depth literature review. IEEE Access, 10:60985–61015.
Collini, E., Palesi, L. A. I., Nesi, P., Pantaleo, G., and Zhao, W. (2024). Flexible thermal camera solution for smart city people detection and counting. Multimedia Tools and Applications, 83(7):20457–20485.
de Carvalho Borges, I. G. C. and Borin, J. F. (2023). Abordagens para Superar Limitações de Hardware em TV Box RK3229 para uso em IoT. Technical Report IC-PFG-23-48, Instituto de Computação, Universidade Estadual de Campinas.
Eisenstein, M. (2022). Short-circuiting the electronic-waste crisis. Nature, 611:8–10.
Gao, M., Souri, A., Zaker, M., Zhai, W., Guo, X., and Li, Q. (2024). A comprehensive analysis for crowd counting methodologies and algorithms in internet of things. Cluster Computing, (27):859–873.
Huang, G., Liu, Z., van der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Iandola, F. N., Moskewicz, M. W., Ashraf, K., Han, S., Dally, W. J., and Keutzer, K. (2016). Squeezenet: Alexnet-level accuracy with 50x fewer parameters and <1mb model size. CoRR, abs/1602.07360.
Jocher, G., Chaurasia, A., and Qiu, J. (2023). Ultralytics YOLO.
Kaggle Hub Models. [link]. Acessado em 03/04/2024.
Khan, L. U., Yaqoob, I., Tran, N. H., Kazmi, S. M. A., Dang, T. N., and Hong, C. S. (2020). Edge-computing-enabled smart cities: A comprehensive survey. IEEE Internet of Things Journal, 7(10):10200–10232.
Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2017). Imagenet classification with deep convolutional neural networks. Commun. ACM, 60(6):84–90.
Mohd Razif, M. H., Ismail, A. P., Che Abdullah, S. A., Shafie, M. A., Isa, I. S., Sulaiman, S. N., and Che Soh, Z. H. (2024). On edge crowd traffic counting system using deep learning on jetson nano for smart retail environment. Journal of Advanced Research in Applied Sciences and Engineering Technology, 42(1):1–13.
Monti, L., Tse, R., Tang, S.-K., Mirri, S., Delnevo, G., Maniezzo, V., and Salomoni, P. (2022). Edge-based transfer learning for classroom occupancy detection in a smart campus context. Sensors, 22(10).
Moreira, R., Rodrigues Moreira, L. F., Munhoz, P. L. A., Lopes, E. A., and Ruas, R. A. A. (2022). Agrolens: A low-cost and green-friendly smart farm architecture to support real-time leaf disease diagnostics. Internet of Things, 19:100570.
Morseletto, P. (2020). Targets for a circular economy. Resources, conservation and recycling, 153:104553.
Nations, U. (2015). Transforming our world: The 2030 agenda for sustainable development. New York: United Nations, Department of Economic and Social Affairs, 1:41.
Prefeitura Universitária Unicamp. [link]. Acessado em 03/04/2024.
Redmon, J. and Farhadi, A. (2018). Yolov3: An incremental improvement. CoRR, abs/1804.02767.
Ribeiro, A. F., Yoshioka, D. D. K., Ramirez, G., Silva, J. B., dos Santos, M., Souza, M. A., Cândido, M. A. S., Rodrigues, M. O., Pietrobom, V. R., and Borin, J. F. (2023). Transformação de TV Boxes piratas em computadores de baixo custo suportados por nuvem computacional. Technical Report IC-PFG-23-49, Instituto de Computação, Universidade Estadual de Campinas.
Tan, M., Pang, R., and Le, Q. V. (2020). Efficientdet: Scalable and efficient object detection. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 10781–10790.
TensorFlow. [link]. Acessado em 05/04/2024.
TensorFlow Lite. [link]. Acessado em 05/04/2024.
TensorFlow Lite Runtime. [link]. Acessado em 05/04/2024.
Willskytt, S., Böckin, D., André, H., Ljunggren Söderman, M., and Tillman, A.-M. (2016). Framework for analysing resource-efficient solutions. In Eco-Balance Conference 2016.
Band, S. S., Ardabili, S., Sookhak, M., Chronopoulos, A. T., Elnaffar, S., Moslehpour, M., Csaba, M., Torok, B., Pai, H.-T., and Mosavi, A. (2022). When smart cities get smarter via machine learning: An in-depth literature review. IEEE Access, 10:60985–61015.
Collini, E., Palesi, L. A. I., Nesi, P., Pantaleo, G., and Zhao, W. (2024). Flexible thermal camera solution for smart city people detection and counting. Multimedia Tools and Applications, 83(7):20457–20485.
de Carvalho Borges, I. G. C. and Borin, J. F. (2023). Abordagens para Superar Limitações de Hardware em TV Box RK3229 para uso em IoT. Technical Report IC-PFG-23-48, Instituto de Computação, Universidade Estadual de Campinas.
Eisenstein, M. (2022). Short-circuiting the electronic-waste crisis. Nature, 611:8–10.
Gao, M., Souri, A., Zaker, M., Zhai, W., Guo, X., and Li, Q. (2024). A comprehensive analysis for crowd counting methodologies and algorithms in internet of things. Cluster Computing, (27):859–873.
Huang, G., Liu, Z., van der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Iandola, F. N., Moskewicz, M. W., Ashraf, K., Han, S., Dally, W. J., and Keutzer, K. (2016). Squeezenet: Alexnet-level accuracy with 50x fewer parameters and <1mb model size. CoRR, abs/1602.07360.
Jocher, G., Chaurasia, A., and Qiu, J. (2023). Ultralytics YOLO.
Kaggle Hub Models. [link]. Acessado em 03/04/2024.
Khan, L. U., Yaqoob, I., Tran, N. H., Kazmi, S. M. A., Dang, T. N., and Hong, C. S. (2020). Edge-computing-enabled smart cities: A comprehensive survey. IEEE Internet of Things Journal, 7(10):10200–10232.
Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2017). Imagenet classification with deep convolutional neural networks. Commun. ACM, 60(6):84–90.
Mohd Razif, M. H., Ismail, A. P., Che Abdullah, S. A., Shafie, M. A., Isa, I. S., Sulaiman, S. N., and Che Soh, Z. H. (2024). On edge crowd traffic counting system using deep learning on jetson nano for smart retail environment. Journal of Advanced Research in Applied Sciences and Engineering Technology, 42(1):1–13.
Monti, L., Tse, R., Tang, S.-K., Mirri, S., Delnevo, G., Maniezzo, V., and Salomoni, P. (2022). Edge-based transfer learning for classroom occupancy detection in a smart campus context. Sensors, 22(10).
Moreira, R., Rodrigues Moreira, L. F., Munhoz, P. L. A., Lopes, E. A., and Ruas, R. A. A. (2022). Agrolens: A low-cost and green-friendly smart farm architecture to support real-time leaf disease diagnostics. Internet of Things, 19:100570.
Morseletto, P. (2020). Targets for a circular economy. Resources, conservation and recycling, 153:104553.
Nations, U. (2015). Transforming our world: The 2030 agenda for sustainable development. New York: United Nations, Department of Economic and Social Affairs, 1:41.
Prefeitura Universitária Unicamp. [link]. Acessado em 03/04/2024.
Redmon, J. and Farhadi, A. (2018). Yolov3: An incremental improvement. CoRR, abs/1804.02767.
Ribeiro, A. F., Yoshioka, D. D. K., Ramirez, G., Silva, J. B., dos Santos, M., Souza, M. A., Cândido, M. A. S., Rodrigues, M. O., Pietrobom, V. R., and Borin, J. F. (2023). Transformação de TV Boxes piratas em computadores de baixo custo suportados por nuvem computacional. Technical Report IC-PFG-23-49, Instituto de Computação, Universidade Estadual de Campinas.
Tan, M., Pang, R., and Le, Q. V. (2020). Efficientdet: Scalable and efficient object detection. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 10781–10790.
TensorFlow. [link]. Acessado em 05/04/2024.
TensorFlow Lite. [link]. Acessado em 05/04/2024.
TensorFlow Lite Runtime. [link]. Acessado em 05/04/2024.
Willskytt, S., Böckin, D., André, H., Ljunggren Söderman, M., and Tillman, A.-M. (2016). Framework for analysing resource-efficient solutions. In Eco-Balance Conference 2016.
Publicado
20/05/2024
Como Citar
SATO, Gabriel Massuyoshi; LUZ, Gustavo P. C. P da; GONZALEZ, Luis Fernando Gomez; BORIN, Juliana Freitag.
Reaproveitamento de TV Boxes para Aplicação de Contagem de Pessoas na Borda em Cidades Inteligentes. In: WORKSHOP DE COMPUTAÇÃO URBANA (COURB), 8. , 2024, Niterói/RJ.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 197-209.
ISSN 2595-2706.
DOI: https://doi.org/10.5753/courb.2024.3375.
