Avaliação de Desempenho de Computadores Raspberry Pi com Algoritmos para o Reconhecimento Automático de Placas Veiculares

  • Felipe Soares UFC
  • Lucas Fernandes UFC
  • Atslands da Rocha UFC
  • Paulo Rego UFC
  • José Maia UFC
  • José de Souza UFC

Resumo


Este trabalho apresenta uma avaliação de desempenho (acurácia, tempo de execução, uso de RAM e consumo de energia) de dois algoritmos para reconhecimento automático de placas (Automatic License-Plate Recognition), ALPR, em hardware de baixo custo comumente usado em ambientes de Internet das Coisas, computadores Raspberry Pi, modelos 3B, 3B + e 4B. Os objetivos dessa analise são verificar qual algoritmo entrega o melhor custo-benefício aos dispositivos sobre as métricas avaliadas, se os computadores podem executar este tipo de aplicação e como o desempenho melhorou nos diferentes modelos. Os resultados mostram que todos esses dispositivos podem lidar bem com a aplicação, embora o processamento de vídeo em tempo real não seja viável. Para o conjunto de dados testado, o algoritmo mais leve, que dispensa uma das etapas realizada pelo outro, quando executado no Raspberry Pi 4 superou os demais em todos os aspectos.

Palavras-chave: algoritmos de reconhecimento automático de placas veiculares, analise de desempenho, raspberry pi, visão computacional, cidades inteligentes

Referências

B. Nour, K. Sharif, F. Li, S. Biswas, H. Moungla, M. Guizani, and Y. Wang, “A survey of internet of things communication using icn: A use case perspective,” Computer Communications, vol. 142-143, p. 95–123, 2019.

K. Wang, Y. Wang, Y. Sun, S. Guo, and J. Wu, “Green industrial internet of things architecture: An energy-efficient perspective,” IEEE Communications Magazine, vol. 54, no. 12, p. 48–54, 2016.

M. A. Razzaque, M. Milojevic-Jevric, A. Palade, and S. Clarke, “Mid- dleware for internet of things: A survey,” IEEE Internet of Things Journal, vol. 3, no. 1, p. 70–95, 2016.

S. J. Johnston, M. Apetroaie-Cristea, M. Scott, and S. J. Cox, “Appli- cability of commodity, low cost, single board computers for internet of things devices,” 2016 IEEE 3rd World Forum on Internet of Things (WF-IoT), 2016.

S. Du, M. Ibrahim, M. Shehata, and W. Badawy, “Automatic license plate recognition (alpr): A state-of-the-art review,” IEEE Transactions on circuits and systems for video technology, vol. 23, no. 2, pp. 311– 325, 2012.

SSPDS, “Roubos de veículos no ceará têm redução de 46% em 2019,” https://www.ceara.gov.br/2019/12/11/com-30-meses-seguidos- de-diminuicao-no-cvp-roubos-de-veiculos-no-ceara-se-destacam-com- reducao-de-46-em-2019/, Governo do Estado do Ceará, 2019, acessado em 01 de abril de 2020. [Online]. Available: https://www.ceara.gov.br/2019/12/11/com-30-meses-seguidos-de-diminuicao-no-cvp-roubos-de-veiculos-no-ceara-se-destacam-com-reducao-de-46-em-2019/

R. Laroca, E. Severo, L. A. Zanlorensi, L. S. Oliveira, G. R. Gonc ̧alves, W. R. Schwartz, and D. Menotti, “A robust real-time automatic license plate recognition based on the yolo detector,” in 2018 International Joint Conference on Neural Networks (IJCNN). IEEE, 2018, pp. 1–10.

S. M. Silva and C. R. Jung, “License plate detection and recognition in unconstrained scenarios,” in European Conference on Computer Vision. Springer, 2018, pp. 593–609.

W.Liu,D.Anguelov,D.Erhan,C.Szegedy,S.Reed,C.-Y.Fu,andA.C. Berg, “Ssd: Single shot multibox detector,” in European conference on computer vision. Springer, 2016, pp. 21–37.

M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “Mobilenetv2: Inverted residuals and linear bottlenecks,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 4510–4520.

T.-Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dolla ́r, and C. L. Zitnick, “Microsoft coco: Common objects in context,” in European conference on computer vision. Springer, 2014, pp. 740–755.

J. Redmon and A. Farhadi, “Yolov3: An incremental improvement,” arXiv preprint arXiv:1804.02767, 2018.

S. M. Silva and C. R. Jung, “Real-time brazilian license plate detection and recognition using deep convolutional neural networks,” in 2017 30th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI). IEEE, 2017, pp. 55–62.

D. M. Izidio, A. P. Ferreira, H. R. Medeiros, and E. N. d. S. Barros, “An embedded automatic license plate recognition system using deep learning,” Design Automation for Embedded Systems, pp. 1–21, 2019.

R.M.Ramos, C.Ralha, and G.Teodoro, “Avaliação de cluster raspberry pi para execução de aplicações de análise de imagens microscópicas médicas” in Anais do XLIII Seminário Integrado de Software e Hardware. SBC, 2020, pp. 175–186.

M. Murshed, E. Verenich, J. J. Carroll, N. Khan, and F. Hussain, “Hazard detection in supermarkets using deep learning on the edge,” arXiv preprint arXiv:2003.04116, 2020.

J. Hochstetler, R. Padidela, Q. Chen, Q. Yang, and S. Fu, “Embedded deep learning for vehicular edge computing,” in 2018 IEEE/ACM Symposium on Edge Computing (SEC). IEEE, 2018, pp. 341–343.

J. Redmon, “Darknet: Open source neural networks in c,” http:// pjreddie.com/darknet/, 2013–2016.
Publicado
23/11/2020
Como Citar

Selecione um Formato
SOARES, Felipe; FERNANDES, Lucas; DA ROCHA, Atslands; REGO, Paulo; MAIA, José; DE SOUZA, José. Avaliação de Desempenho de Computadores Raspberry Pi com Algoritmos para o Reconhecimento Automático de Placas Veiculares. In: ARTIGOS COMPLETOS - SIMPÓSIO BRASILEIRO DE ENGENHARIA DE SISTEMAS COMPUTACIONAIS (SBESC), 10. , 2020, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 33-40. DOI: https://doi.org/10.5753/sbesc_estendido.2020.13088.