Aprendizado Profundo aplicado à Visão Robótica utilizando dispositivo embarcado Raspberry Pi

  • Myrella A. Bordado UFG
  • Alisson A. Cardoso UFG
  • Ricardo A. P. Franco UFG

Resumo


Devido a grande quantidade de dados que surgiram, juntamente com a evolução das Unidades de Processamento Gráfico (GPU), tornou-se possível desenvolver algoritmos com maior desempenho e acurácia, baseados em aprendizado profundo. Este trabalho realiza o treinamento do modelo YOLOv5 utilizando um conjunto de dados de visão robótica ARID, com o intuito de abordar o problema de detecção de objetos em um ambiente doméstico em conjunto com a limitação de recursos do sistema embarcado Raspberry Pi. Os resultados mostram que o modelo YOLOv5 possui alta precisão para a detecção de objetos utilizando visão robótica e possui versões que possibilitam a execução em dispositivos embarcados de baixo custo, quando comparados à dispositivos embarcados com GPU.

Referências

SZELISKI, R., Computer Vision: Algorithms and Applications. Springer, set. 2010.

MILANO, D.; HONORATO, L. B. Visão Computacional. Faculdade de Tecnologia, Universidade Estadual de Campinas, Limeira. Acesso em: 20 ago. 2022.

RUSSAKOVSKY, O. et al. ImageNet Large Scale Visual Recognition Challenge. In: arXiv:1409.0575. Acesso em: 20 ago. 2022.

YADAV, N; BINAY, U. Comparative Study of Object Detection Algorithms. 2017, IRJET | Impact Factor value: 6.171 | ISO 9001:2008 Certified Journal | Página 591.

ZOU, Z. et al. Object Detection in 20 Years: A Survey. 2019. Disponível em: arXiv:1905.05055v2. Acesso em: 20 ago. 2022.

MARTINEZ-MARTIN, E.; DEL POBIL, A. P. Object Detection and Recognition for Assistive Robots: Experimentation and Implementation. In: IEEE Robotics & Automation Magazine, v. 24, n. 3, p. 123 - 138, set. 2017. Acesso em: 20 ago. 2022.

ALAKE, Richmond. A Beginner’s Guide To Computer Vision. Towards Data Science, 22 set. 2020. Disponível em: [link]. Acesso em: 20 ago. 2022.

THILAKARATHNE, Haritha. Deep Learning Vs. Traditional Computer Vision. NaadiSpeaks, 12 ago. 2018. Disponível em: [link]. Acesso em: 20 ago. 2022

LOWE, David G. Object recognition from local scale-invariant features. In: Seventh IEEE International Conference on Computer Vision, 7., 1999. Anais eletrônicos [...]: IEEE, 1999. p. 1150 - 1157 vol. 2.

LINDEBERG, Tony. Scale Invariant Feature Transform. Scholarpedia 7(2012): 10491. Disponível em: [link]. Acesso em: 20 ago. 2022.

CHELLURI, H. B.; MANJUNATHACHARI, K. SIFT and it’s Variants: An Overview In: INTERNATIONAL CONFERENCE ON SUSTAINABLE COMPUTING IN SCIENCE, TECHNOLOGY AND MANAGEMENT (SUSCOM-2019). Anais [...] Jaipur - India: Amity University Rajasthan, 26-28 fev. 2019. Disponível em: https://ssrn.com/abstract=3358743. Acesso em: 20 ago. 2022.

HOLTKAMP, Michiel; JONG, Sjoerd de. Robot Localisation Using SIFT and Active Monocular Vision. Orientador: Dr. Gert Kootstra. 2006. 20 f. TCC (Graduação) - Department of Artificial Intelligence, University of Groningen, 2006. Disponível em: [link]. Acesso em: 20 ago. 2022.

MAHONY, N. O'. et al. Deep Learning vs. Traditional Computer Vision. 2019. In: arXiv:1910.13796. Acesso em: 20 ago. 2022.

VOULODIMOS A. et al. Computational Intelligence and Neuroscience, 2018. Acesso em: 20 ago. 2022.

PATHAK, A. R.; PANDEY, M.; RAUTARAY, S. Application of Deep Learning for Object Detection. Procedia Computer Science, v. 132, p. 1706 - 1717, 2018.

OUYANG, W. et al. Deep Learning for Generic Object Detection: A Survey. 2018. In: arXiv:1809.02165. Acesso em: 20 ago. 2022.

Lohia, Aditya; Kadam, Kalyani Dhananjay; Joshi, Rahul Raghvendra; and Bongale, Dr. Anupkumar M., "Bibliometric Analysis of One-stage and Two-stage Object Detection" (2021). Library Philosophy and Practice (e-journal). 4910

REDMON, J. et al. You Only Look Once: Unified, Real-Time Object Detection. 08 jun. 2015.In: arXiv:1506.02640. Acesso em: 20 ago. 2022.

CHABLANI, M. YOLO - You only look once, real time object detection explained. Towards Data Science, 21 ago. 2017. Disponível em: [link]. Acesso em: 31 ago. 2022.

REN, S. et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. 04 jun. 2015. in: arXiv:1506.01497.

NELSON, J. Your Comprehensive Guide to the YOLO Family of Models. Disponível em: https://blog.roboflow.com/guide-to-yolo-models/ . Acesso em: 03 set. 2022.

YOLOv5, Disponível em: https://github.com/ultralytics/yolov5. Acesso em: 31 ago. 2022.

JIANG, P. et al. A Review of Yolo Algorithm Developments. Procedia Computer Science, v. 199, p. 1066 - 1073, 2022.

KARIMI, G. Introduction to YOLO Algorithm for Object Detection, 2021. Disponível em: [link]. Acesso em: 03 set. 2022.

COCO 128 Computer Vision Project. Disponível em: [link]. Acesso em 03 set. 2022

LOGHMANI, M. R.; CAPUTO, B.; VINCZE, M. Recognizing Objects In-the-wild: Where Do We Stand? IEEE International Conference on Robotics and Automation (ICRA), 2018. Disponível em: [link]. Acesso em: 31 ago. 2022.

FACELI, K. et al. Inteligência Artificial - Uma abordagem de aprendizado de máquina. Editora LTC, 2021.
Publicado
25/10/2022
BORDADO, Myrella A.; CARDOSO, Alisson A.; FRANCO, Ricardo A. P.. Aprendizado Profundo aplicado à Visão Robótica utilizando dispositivo embarcado Raspberry Pi. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 10. , 2022, Goiás. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 82-93. DOI: https://doi.org/10.5753/erigo.2022.227735.