Controle de consumo de água baseado em reconhecimento facial
Resumo
A computação ubíqua possui como objetivo principal a presença uniforme e imperceptível na vida cotidiana do ser humano. A partir disso, é possível, além de outros recursos, identificar indivíduos em um ambiente, permitindo servic¸os personalizados e sensíveis ao contexto. Tecnologias como essa podem auxiliar o controle da demanda de recursos hídricos, afetados diretamente pelo desperdício contínuo domiciliar e industrial. Este trabalho propõe uma solução para o controle do consumo de água residencial, baseado em reconhecimento facial. Utilizando uma rede de sensores sem fio (RSSF) interligada a um dispositivo móvel, um usuário é identificado por meio da face para regular a vazão e monitorar a quantidade de água utilizada por ele. Desenvolveu-se um protótipo para monitorar e controlar esse consumo, que é ajustado em tempo real de acordo com a face do usuário identificado. Os resultados mostram que é possível economizar até 50% do consumo de água com a utilização do sistema proposto.
Referências
Atmel (2014). Atmell 8-bit microcontroller with 4/8/16/32 kbytes in-system programable flash datasheet.
Bolzani, C. A. M. (2004). Residências inteligentes. Editora Livraria da Física.
Bradski, G. and Kaehler, A. (2008). Learning OpenCV: Computer vision with the OpenCV library. ”O’Reilly Media, Inc.”.
Chan, C.-H., Kittler, J., and Messer, K. (2007). Multi-scale local binary pattern histograms for face recognition. Springer.
Diniz, F. A., Neto, F. M. M., Júnior, F. d. C. L., and Fontes, L. M. O. (2013). Redface: um sistema de reconhecimento facial baseado em técnicas de análise de componentes principais e autofaces. Revista Brasileira de Computação Aplicada, 5(1):42–54.
do Amaral, V., Giraldi, G. A., and Thomaz, C. E. Lbp estatıstico aplicado ao reconhecimento de expressoes faciais.
FAO (2011). The state of the wolrd’s land and water resources for food and agriculture (SOLAW) - Managing systems at risk. Rome and Earthscan, London.
Morais, R. (2015). Morador do df usa 67% mais água ao dia do que o indicado pela ONU.
Ojala, T., Pietikainen, M., and Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions. Pattern recognition, 29(1):51–59.
Rizzoli, A. C. M. G. D. P. A. C. A. (2015). Benefits and challenges of using smart meters for advancing residential water demand modeling and management: A review. Environmental Modelling and Software, 72:198214:62.
SNSA (2014). Diagnóstico dos Serviços de Água e Esgoto - 2013. SNSA/MCIDADES, Brasília.
Sohraby, K., Minoli, D., and Znati, T. (2007). Wireless sensor networks: technology, protocols, and applications. John Wiley & Sons.
Suprotim Sinha Majumdar, M. P. and Alamelu, J. (2015). Energy efficient wireless sensor network for polyhouse monitoring. European Journal of Advances in Engineering and Technology, (2.6):77–82.
Viola, P. and Jones, M. J. (2004). Robust real-time face detection. International journal of computer vision, 57(2):137–154.
WWAP (2015). The United Nations World Water Development Report 2015 - Water for a
sustainable world. UNESCO, Paris.
Zhang, B., Gao, Y., Zhao, S., and Liu, J. (2010). Local derivative pattern versus local binary pattern: face recognition with high-order local pattern descriptor. Image Processing, IEEE Transactions on, 19(2):533–544.
Zhao, W., Chellappa, R., Phillips, P. J., and Rosenfeld, A. (2003). Face recognition: A literature survey. Acm Computing Surveys (CSUR), 35(4):399–458.
