Reconhecimento Assistivo de Objetos em Android com TensorFlow Lite
Resumo
Este artigo apresenta uma aplicação Android para reconhecimento assistivo de objetos em ambientes educacionais com inferência local em TensorFlow Lite. Modelos YOLOv8n e YOLO26n foram avaliados considerando métricas de detecção, tempo de inferência, execução em emulador e dispositivo físico e imagens reais. A aplicação fornece feedback por texto, voz e vibração e inclui modos de imagem única e semi-contínuo com CameraX. Os resultados sustentam a viabilidade técnica do protótipo, mas evidenciam limitações em condições não controladas. Não foi realizada avaliação formal com usuários cegos ou com deficiência visual.
Referências
Almeida, C., Filho, P., Rosal, I., Gonçalves, R., Aguilar, P., Nunes, M. S. M., and Martins, M. (2024). Proposta de tecnologia assistiva para auxiliar pessoas com deficiência visual na detecção de obstáculos. In Anais do Seminário Integrado de Software e Hardware (SEMISH), pages 288–299.
Android Developers (2026a). CameraX overview. [link]. Acesso em: 31 maio 2026.
Android Developers (2026b). TextToSpeech. [link]. Acesso em: 31 maio 2026.
Ashiq, F., Asif, M., Ahmad, M. B., Zafar, S., Masood, K., Mahmood, T., Mahmood, M. T., and Lee, I. H. (2022). CNN-Based Object Recognition and Tracking System to Assist Visually Impaired People. IEEE Access, 10:14819–14834.
Catalini, P. A., Kintschner, F. E., and Ferreira, D. H. L. (2021). Aplicativo com reconhecimento de imagem para deficientes visuais. In Brazilian Technology Symposium (BTSym).
Google AI Edge (2026). Post-training float16 quantization. [link]. Acesso em: 31 maio 2026.
Hisham, Z. A. N., Faudzi, M. A., Ghapar, A. A., and Rahim, F. A. (2020). A systematic literature review of the mobile application for object recognition for visually impaired people. In Proceedings of the 8th International Conference on Information Technology and Multimedia (ICIMU).
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861. Disponível em: [link]. Acesso em: 31 maio 2026.
Jocher, G., Qiu, J., Liu, M., Lyu, S., Akyon, F. C., and Kalfaoglu, M. E. (2026). Ultralytics YOLO26: Unified real-time end-to-end vision models. arXiv preprint arXiv:2606.03748. Disponível em: [link]. Acesso em: 5 jun. 2026.
Klann, D., Fernandes, A. M. R., Silva, E. A., and Parreira, W. D. (2024). Explorando algoritmos de visão computacional em tecnologias assistivas: uma revisão sistemática da literatura. Journal of Health Informatics, 16(Especial).
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., and Berg, A. C. (2016). SSD: Single shot multibox detector. In Proceedings of the European Conference on Computer Vision (ECCV), pages 21–37. Springer.
Padilla, R., Passos, W. L., Dias, T. L. B., Netto, S. L., and da Silva, E. A. B. (2021). A comparative analysis of object detection metrics with a companion open-source toolkit. Electronics, 10(3):279.
Putra, A. K. (2026). Objects in the classroom. Kaggle dataset. [link]. Acesso em: 31 maio 2026.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 779–788.
Sausen, F. S. and Frozza, R. (2022). Aplicativo para auxiliar pessoas com deficiência visual no reconhecimento de cédulas de dinheiro em real com a técnica de redes neurais artificiais. Revista Brasileira de Computação Aplicada, 14(3):1–16.
Szeliski, R. (2010). Computer Vision: Algorithms and Applications. Springer, London.
TensorFlow (2026). TensorFlow Lite. [link]. Acesso em: 31 maio 2026.
Ultralytics (2026a). Performance metrics deep dive. [link]. Acesso em: 31 maio 2026.
Ultralytics (2026b). YOLOv8 documentation. [link]. Acesso em: 31 maio 2026.
Wang, W., Jing, B., Yu, X., Sun, Y., Yang, L., and Wang, C. (2024). YOLO-OD: Obstacle detection for visually impaired navigation assistance. Sensors, 24(23):7621.
Android Developers (2026a). CameraX overview. [link]. Acesso em: 31 maio 2026.
Android Developers (2026b). TextToSpeech. [link]. Acesso em: 31 maio 2026.
Ashiq, F., Asif, M., Ahmad, M. B., Zafar, S., Masood, K., Mahmood, T., Mahmood, M. T., and Lee, I. H. (2022). CNN-Based Object Recognition and Tracking System to Assist Visually Impaired People. IEEE Access, 10:14819–14834.
Catalini, P. A., Kintschner, F. E., and Ferreira, D. H. L. (2021). Aplicativo com reconhecimento de imagem para deficientes visuais. In Brazilian Technology Symposium (BTSym).
Google AI Edge (2026). Post-training float16 quantization. [link]. Acesso em: 31 maio 2026.
Hisham, Z. A. N., Faudzi, M. A., Ghapar, A. A., and Rahim, F. A. (2020). A systematic literature review of the mobile application for object recognition for visually impaired people. In Proceedings of the 8th International Conference on Information Technology and Multimedia (ICIMU).
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861. Disponível em: [link]. Acesso em: 31 maio 2026.
Jocher, G., Qiu, J., Liu, M., Lyu, S., Akyon, F. C., and Kalfaoglu, M. E. (2026). Ultralytics YOLO26: Unified real-time end-to-end vision models. arXiv preprint arXiv:2606.03748. Disponível em: [link]. Acesso em: 5 jun. 2026.
Klann, D., Fernandes, A. M. R., Silva, E. A., and Parreira, W. D. (2024). Explorando algoritmos de visão computacional em tecnologias assistivas: uma revisão sistemática da literatura. Journal of Health Informatics, 16(Especial).
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., and Berg, A. C. (2016). SSD: Single shot multibox detector. In Proceedings of the European Conference on Computer Vision (ECCV), pages 21–37. Springer.
Padilla, R., Passos, W. L., Dias, T. L. B., Netto, S. L., and da Silva, E. A. B. (2021). A comparative analysis of object detection metrics with a companion open-source toolkit. Electronics, 10(3):279.
Putra, A. K. (2026). Objects in the classroom. Kaggle dataset. [link]. Acesso em: 31 maio 2026.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 779–788.
Sausen, F. S. and Frozza, R. (2022). Aplicativo para auxiliar pessoas com deficiência visual no reconhecimento de cédulas de dinheiro em real com a técnica de redes neurais artificiais. Revista Brasileira de Computação Aplicada, 14(3):1–16.
Szeliski, R. (2010). Computer Vision: Algorithms and Applications. Springer, London.
TensorFlow (2026). TensorFlow Lite. [link]. Acesso em: 31 maio 2026.
Ultralytics (2026a). Performance metrics deep dive. [link]. Acesso em: 31 maio 2026.
Ultralytics (2026b). YOLOv8 documentation. [link]. Acesso em: 31 maio 2026.
Wang, W., Jing, B., Yu, X., Sun, Y., Yang, L., and Wang, C. (2024). YOLO-OD: Obstacle detection for visually impaired navigation assistance. Sensors, 24(23):7621.
Publicado
19/10/2026
Como Citar
MARAFIOTTI, João Pedro Piccino; TROJAHN, Tiago Henrique.
Reconhecimento Assistivo de Objetos em Android com TensorFlow Lite. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 23. , 2026, Cuiabá/MT.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 3559-3569.
ISSN 2763-9061.
DOI: https://doi.org/10.5753/eniac.2026.31462.
