CLASSIC: Sistema de Chamada Escolar com Reconhecimento Facial através de IoT e Computação de Borda

• Marlon G. Duarte UFC http://orcid.org/0009-0008-4995-5090
• Marciel B. Pereira UFC
• Filipe de Matos UFC

DOI: https://doi.org/10.5753/sbcars.2025.14163

Resumo

Monitorar pessoas é uma tarefa importante para garantir a segurança de um determinado ambiente. Registrar a presença de pessoas em fábricas, escolas e outros estabelecimentos também pode servir como uma fonte valiosa de dados. Neste trabalho, empregamos tecnologias de Aprendizado de Máquina (ML) –Machine Learning – e Internet das Coisas (IoT) para propor o CLASSIC: um sistema inteligente para salas de aula que automatiza o controle de frequência por meio de reconhecimento facial. O sistema combina um Raspberry Pi e uma câmera para capturar imagens e recortá-las na região do rosto; esse processamento pode ser realizado com o auxílio da Computação de Borda (EC) para maior eficiência. Utilizamos um framework de visão computacional voltado para imagens de rostos. No framework, no recorte do rosto, escolhemos o Single Shot Multibox Detector (SSD), e para gerar as representações faciais (face embeddings), empregamos o ArcFace. Essa abordagem alcança uma precisão de 85% ao mesmo tempo em que reduz a latência por meio do offloading computacional. Os resultados experimentais demonstram a viabilidade do CLASSIC em cenários reais, destacando seu potencial para otimizar a gestão da sala de aula e minimizar interrupções no processo educacional.

Palavras-chave: Reconhecimento Facial, IoT, Edge Computing, RaspberryPi, Computer Vision, Gerenciamento da Chamada Escolar

Referências

Martín Abadi et al. “{TensorFlow}: a system for {Large-Scale} machine learning”. Em: 12th USENIX symposium on operating systems design and implementation (OSDI 16). 2016, pp. 265–283.

Filipe B. de Matos., Paulo Rego. e Fernando Trinta. “An Empirical Study about the Adoption of Multi-language Technique in Computation Offloading in a Mobile Cloud Computing Scenario”. Em: Proceedings of the 11th International Conference on Cloud Computing and Services Science - CLOSER, INSTICC. SciTePress, 2021, pp. 207–214. isbn: 978-989-758-510-4. DOI: 10.5220/0010437802070214.

Francois Chollet. Deep learning with Python. simon e schuster, 2021.

Debashis De. Mobile cloud computing: architectures, algorithms and applications. CRC Press, 2016.

Gabriel Yuri Hosaki e Douglas Francisco Ribeiro. “Deep learning: ensinando a aprender”. Em: RGE - Revista de Gestão e Estratégia 1.3 (2021), pp. 36–50.

Muhammad Zeeshan Khan et al. “Deep Unified Model for Face Recognition Based on Convolution Neural Network and Edge Computing”. Em: IEEE Access 7 (2019), 72622 – 72633. DOI: 10.1109/ACCESS.2019.2918275.

Sikandar Khan, Adeel Akram e Nighat Usman. “Real Time Automatic Attendance System for Face Recognition Using Face API and OpenCV”. Em: Wireless Personal Communications 113.1 (2020), 469 – 480. DOI: 10.1007/s11277-020-07224-2.

Rahmat Muttaqin, Syifaul Fuada, Eueung Mulyana et al. “Attendance System using Machine Learning-based Face Detection for Meeting Room Application”. Em: International Journal of Advanced Computer Science and Applications 11.8 (2020).

Enivaldo Sousa Paiva e Otalício Rodrigues da Silva. “O USO DO TEMPO PEDAGÓGICO NUMA ESCOLA DE TEMPO INTEGRAL DO ENSINO MÉDIO”. Em: VI Congresso Nacional de Educação (2020).

Thota Radha Rajesh et al. “Attendance System Based on Facial Recognition Using OpenCV”. Em: 2024 2nd International Conference on Sustainable Computing and Smart Systems (ICSCSS). 2024, pp. 1529–1535. DOI: 10.1109/ICSCSS60660.2024.10624932.

Bruno P Santos et al. “Internet das coisas: da teoria à prática”. Em: Minicursos SBRC-Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuıdos 31 (2016), p. 16.

Sefik Ilkin Serengil e Alper Ozpinar. “Lightface: A hybrid deep face recognition framework”. Em: 2020 innovations in intelligent systems and applications conference (ASYU). IEEE. 2020, pp. 1–5.