Detecção vsual de caminhos através de aprendizado profundo para a navegação de robôs móveis

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Almeida, Allan Souza lattes
Orientador(a): Conceição, André Gustavo Scolari
Banca de defesa: Conceição, André Gustavo Scolari, Ribeiro, Tiago Trindade, Simas, Eduardo, Souza, Edmar Egídio Purcino de, Freitas, Gustavo Medeiros
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal da Bahia
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) 
Departamento: Escola Politécnica
País: Brasil
Palavras-chave em Português:
Robótica móvel
visão robótica
aprendizado profundo
redes neurais convolucionais
transferência de aprendizado
Área do conhecimento CNPq:
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS::AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS
Link de acesso: https://repositorio.ufba.br/handle/ri/42173
Resumo: Detectar um caminho a ser seguido por um veículo é uma das tarefas mais importantes na navegação de robôs autônomos. Nos últimos anos, técnicas baseadas em aprendizado profundo têm se destacado em relação aos métodos tradicionais de visão computacional na detecção de caminhos, devido à capacidade das redes neurais de extrair características diretamente dos dados, tornando a detecção mais robusta e precisa em diferentes cenários. Esta dissertação propõe uma abordagem baseada em transferência de aprendizado para resolver o desafio da detecção visual de caminhos na navegação de robôs móveis, utilizando uma rede neural convolucional residual fatorizada. O trabalho traz uma comparação entre o modelo proposto e outras arquiteturas de redes neurais convolucionais, além de um estudo de caso comparativo com um sistema baseado em visão computacional determinística. Os resultados experimentais indicam o potencial do modelo, que se mostra capaz de detectar caminhos com precisão, mesmo na presença de descontinuidades e variações de luminosidade, alcançando um F1 score de 0,9166 e tempo de inferência médio de 6,15 ms. A arquitetura proposta também encontra um bom equilíbrio entre acurácia e eficiência, o que torna o sistema adequado para aplicações de robótica móvel.
id UFBA-2_f547e527fdce57c254b7fdbfc9ba2b59
oai_identifier_str oai:repositorio.ufba.br:ri/42173
network_acronym_str UFBA-2
network_name_str Repositório Institucional da UFBA
repository_id_str
spelling 2025-05-29T11:07:51Z2025-05-29T11:07:51Z2025-04-16https://repositorio.ufba.br/handle/ri/42173Detectar um caminho a ser seguido por um veículo é uma das tarefas mais importantes na navegação de robôs autônomos. Nos últimos anos, técnicas baseadas em aprendizado profundo têm se destacado em relação aos métodos tradicionais de visão computacional na detecção de caminhos, devido à capacidade das redes neurais de extrair características diretamente dos dados, tornando a detecção mais robusta e precisa em diferentes cenários. Esta dissertação propõe uma abordagem baseada em transferência de aprendizado para resolver o desafio da detecção visual de caminhos na navegação de robôs móveis, utilizando uma rede neural convolucional residual fatorizada. O trabalho traz uma comparação entre o modelo proposto e outras arquiteturas de redes neurais convolucionais, além de um estudo de caso comparativo com um sistema baseado em visão computacional determinística. Os resultados experimentais indicam o potencial do modelo, que se mostra capaz de detectar caminhos com precisão, mesmo na presença de descontinuidades e variações de luminosidade, alcançando um F1 score de 0,9166 e tempo de inferência médio de 6,15 ms. A arquitetura proposta também encontra um bom equilíbrio entre acurácia e eficiência, o que torna o sistema adequado para aplicações de robótica móvel.Detecting the path that a vehicle should follow is an essential task in autonomous robot navigation. In recent years, deep learning-based approaches have outperformed traditional computer vision techniques in path detection, due to the ability of neural networks to extract features directly from data, making detection more robust and accurate across different scenarios. This work presents a transfer learning-based approach to tackle the problem of visual path detection for mobile robot navigation, using a factorized residual convolutional neural network. The work presents a comparison between the proposed model and other convolutional neural network architectures, as well as a comparative case study with a system based on deterministic computer vision. Experimental results indicate the promise of the proposed model, which is capable of detecting paths even in the presence of discontinuities and variations in lighting, achieving an F1 score of 0.9166 and an average inference time of 6.15 ms. The proposed architecture also achieves a good balance between accuracy and efficiency, making the system suitable for mobile robotics applications.porUniversidade Federal da BahiaPrograma de Pós-Graduação em Engenharia Elétrica (PPGEE) UFBABrasilEscola PolitécnicaMobile roboticsrobotic visiondeep learningconvolutional neural networkstransfer learningCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS::AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAISRobótica móvelvisão robóticaaprendizado profundoredes neurais convolucionaistransferência de aprendizadoDetecção vsual de caminhos através de aprendizado profundo para a navegação de robôs móveisDeep learning-based visual path detection for mobile robot navigationMestrado Acadêmicoinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionConceição, André Gustavo ScolariRibeiro, Tiago TrindadeConceição, André Gustavo ScolariRibeiro, Tiago TrindadeSimas, EduardoSouza, Edmar Egídio Purcino deFreitas, Gustavo Medeiros0009-0006-2253-4195http://lattes.cnpq.br/3804216489119747Almeida, Allan Souzainfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBAORIGINALAllan Souza Almeida - Dissertação de Mestrado.pdfAllan Souza Almeida - Dissertação de Mestrado.pdfDissertação de Mestradoapplication/pdf12214746https://repositorio.ufba.br/bitstream/ri/42173/1/Allan%20Souza%20Almeida%20-%20Dissertac%cc%a7a%cc%83o%20de%20Mestrado.pdf5d1187dd35e45e297dab73f07a9b5d44MD51open accessLICENSElicense.txtlicense.txttext/plain1720https://repositorio.ufba.br/bitstream/ri/42173/2/license.txtd9b7566281c22d808dbf8f29ff0425c8MD52open accessri/421732025-05-29 08:07:52.259open accessoai:repositorio.ufba.br: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Repositório InstitucionalPUBhttps://repositorio.ufba.br/oai/requestrepositorio@ufba.bropendoar:19322025-05-29T11:07:52Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false
dc.title.pt_BR.fl_str_mv Detecção vsual de caminhos através de aprendizado profundo para a navegação de robôs móveis
dc.title.alternative.pt_BR.fl_str_mv Deep learning-based visual path detection for mobile robot navigation
title Detecção vsual de caminhos através de aprendizado profundo para a navegação de robôs móveis
spellingShingle Detecção vsual de caminhos através de aprendizado profundo para a navegação de robôs móveis
Almeida, Allan Souza
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS::AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS
Robótica móvel
visão robótica
aprendizado profundo
redes neurais convolucionais
transferência de aprendizado
Mobile robotics
robotic vision
deep learning
convolutional neural networks
transfer learning
title_short Detecção vsual de caminhos através de aprendizado profundo para a navegação de robôs móveis
title_full Detecção vsual de caminhos através de aprendizado profundo para a navegação de robôs móveis
title_fullStr Detecção vsual de caminhos através de aprendizado profundo para a navegação de robôs móveis
title_full_unstemmed Detecção vsual de caminhos através de aprendizado profundo para a navegação de robôs móveis
title_sort Detecção vsual de caminhos através de aprendizado profundo para a navegação de robôs móveis
author Almeida, Allan Souza
author_facet Almeida, Allan Souza
author_role author
dc.contributor.advisor1.fl_str_mv Conceição, André Gustavo Scolari
dc.contributor.advisor-co1.fl_str_mv Ribeiro, Tiago Trindade
dc.contributor.referee1.fl_str_mv Conceição, André Gustavo Scolari
dc.contributor.referee2.fl_str_mv Ribeiro, Tiago Trindade
dc.contributor.referee3.fl_str_mv Simas, Eduardo
dc.contributor.referee4.fl_str_mv Souza, Edmar Egídio Purcino de
dc.contributor.referee5.fl_str_mv Freitas, Gustavo Medeiros
dc.contributor.authorID.fl_str_mv 0009-0006-2253-4195
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/3804216489119747
dc.contributor.author.fl_str_mv Almeida, Allan Souza
contributor_str_mv Conceição, André Gustavo Scolari
Ribeiro, Tiago Trindade
Conceição, André Gustavo Scolari
Ribeiro, Tiago Trindade
Simas, Eduardo
Souza, Edmar Egídio Purcino de
Freitas, Gustavo Medeiros
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS::AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS
topic CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS::AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS
Robótica móvel
visão robótica
aprendizado profundo
redes neurais convolucionais
transferência de aprendizado
Mobile robotics
robotic vision
deep learning
convolutional neural networks
transfer learning
dc.subject.por.fl_str_mv Robótica móvel
visão robótica
aprendizado profundo
redes neurais convolucionais
transferência de aprendizado
dc.subject.other.pt_BR.fl_str_mv Mobile robotics
robotic vision
deep learning
convolutional neural networks
transfer learning
description Detectar um caminho a ser seguido por um veículo é uma das tarefas mais importantes na navegação de robôs autônomos. Nos últimos anos, técnicas baseadas em aprendizado profundo têm se destacado em relação aos métodos tradicionais de visão computacional na detecção de caminhos, devido à capacidade das redes neurais de extrair características diretamente dos dados, tornando a detecção mais robusta e precisa em diferentes cenários. Esta dissertação propõe uma abordagem baseada em transferência de aprendizado para resolver o desafio da detecção visual de caminhos na navegação de robôs móveis, utilizando uma rede neural convolucional residual fatorizada. O trabalho traz uma comparação entre o modelo proposto e outras arquiteturas de redes neurais convolucionais, além de um estudo de caso comparativo com um sistema baseado em visão computacional determinística. Os resultados experimentais indicam o potencial do modelo, que se mostra capaz de detectar caminhos com precisão, mesmo na presença de descontinuidades e variações de luminosidade, alcançando um F1 score de 0,9166 e tempo de inferência médio de 6,15 ms. A arquitetura proposta também encontra um bom equilíbrio entre acurácia e eficiência, o que torna o sistema adequado para aplicações de robótica móvel.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-05-29T11:07:51Z
dc.date.available.fl_str_mv 2025-05-29T11:07:51Z
dc.date.issued.fl_str_mv 2025-04-16
dc.type.driver.fl_str_mv Mestrado Acadêmico
info:eu-repo/semantics/masterThesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufba.br/handle/ri/42173
url https://repositorio.ufba.br/handle/ri/42173
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal da Bahia
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) 
dc.publisher.initials.fl_str_mv UFBA
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Escola Politécnica
publisher.none.fl_str_mv Universidade Federal da Bahia
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFBA
instname:Universidade Federal da Bahia (UFBA)
instacron:UFBA
instname_str Universidade Federal da Bahia (UFBA)
instacron_str UFBA
institution UFBA
reponame_str Repositório Institucional da UFBA
collection Repositório Institucional da UFBA
bitstream.url.fl_str_mv https://repositorio.ufba.br/bitstream/ri/42173/1/Allan%20Souza%20Almeida%20-%20Dissertac%cc%a7a%cc%83o%20de%20Mestrado.pdf
https://repositorio.ufba.br/bitstream/ri/42173/2/license.txt
bitstream.checksum.fl_str_mv 5d1187dd35e45e297dab73f07a9b5d44
d9b7566281c22d808dbf8f29ff0425c8
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)
repository.mail.fl_str_mv repositorio@ufba.br
_version_ 1847342050519810048

Registros relacionados