Uma Experiência Interdisciplinar em Curso de Engenharia da Computação: Reconhecimento de Placas Veiculares com Open Hardware e IA

• Ana Mara de Oliveira Figueiredo IFF
• Yan Nascimento Balbi IFF
• Halisson José Rocha IFF
• Arlisson Silva Silveira IFF
• Aline Vilela Guarisi IFF
• Edivan Azevedo de Paula IFF
• Ayrton Claudio Borges IFF
• Lucas Picanço Figueiredo IFF

DOI: https://doi.org/10.5753/latinoware.2025.16590

Resumo

A curricularização da extensão busca integrar ensino, pesquisa e extensão na formação de estudantes de Computação. Este artigo apresenta a experiência de desenvolvimento de um sistema de reconhecimento de placas veiculares como atividade integradora de quatro disciplinas de um curso de Engenharia. A proposta utilizou metodologias ativas, com aprendizagem baseada em projetos, combinando open hardware, software livre e técnicas de inteligência artificial. Os resultados preliminares indicam aumento do engajamento, aplicação prática de conhecimentos técnicos e desenvolvimento de competências socioemocionais, como trabalho em equipe, comunicação e autonomia. A experiência evidenciou o protagonismo discente e a interdisciplinaridade, reforçando a extensão como prática educativa transformadora na Computação.

Palavras-chave: Curricularização da extensão, Aprendizagem baseada em projetos, Open Hardware, Software Livre, Inteligência Artificial, Educação em Computação

Referências

M. T. Ribeiro, S. Singh, and C. Guestrin, “”why should i trust you?”: Explaining the predictions of any classifier,” 2016. [Online]. Available: [link]

N. Ravi, V. Gabeur, Y.-T. Hu, R. Hu, C. Ryali, T. Ma, H. Khedr, R. Rädle, C. Rolland, L. Gustafson, E. Mintun, J. Pan, K. V. Alwala, N. Carion, C.-Y. Wu, R. Girshick, P. Dollár, and C. Feichtenhofer, “Sam 2: Segment anything in images and videos,” 2024. [Online]. Available: [link]

L. Wang, Y. Xiong, Z. Wang, Y. Qiao, D. Lin, X. Tang, and L. V. Gool, “Temporal segment networks: Towards good practices for deep action recognition,” 2016. [Online]. Available: [link]

C. Roy, M. Nourani, S. Arya, M. Shanbhag, T. Rahman, E. D. Ragan, N. Ruozzi, and V. Gogate, “Explainable activity recognition in videos using deep learning and tractable probabilistic models,” ACM Transactions on Interactive Intelligent Systems, vol. 13, no. 4, pp. 1–32, 2023.

F. X. Gaya-Morey, J. M. Buades-Rubio, I. S. MacKenzie, and C. Manresa-Yee, “Revex: A unified framework for removal-based explainable artificial intelligence in video,” 2024. [Online]. Available: [link]

R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, and S. Süsstrunk, “Slic superpixels,” Technical report, EPFL, 06 2010.

W. Kay, J. Carreira, K. Simonyan, B. Zhang, C. Hillier, S. Vijayanarasimhan, F. Viola, T. Green, T. Back, P. Natsev, M. Suleyman, and A. Zisserman, “The kinetics human action video dataset,” 2017. [Online]. Available: [link]

G. Bertasius, H. Wang, and L. Torresani, “Is space-time attention all you need for video understanding?” 2021. [Online]. Available: [link]

C. Yang, Y. Xu, J. Shi, B. Dai, and B. Zhou, “Temporal pyramid network for action recognition,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), June 2020.

Z. Liu, L. Wang, W. Wu, C. Qian, and T. Lu, “Tam: Temporal adaptive module for video recognition,” in Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), October 2021, pp. 13 708–13 718.

V. Petsiuk, A. Das, and K. Saenko, “Rise: Randomized input sampling for explanation of black-box models,” 2018. [Online]. Available: [link]

S. M. Lundberg and S.-I. Lee, “A unified approach to interpreting model predictions,” in Advances in Neural Information Processing Systems, I. Guyon, U. V. Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, and R. Garnett, Eds., vol. 30. Curran Associates, Inc., 2017. [Online]. Available: [link]