Detecção de objetos baseada em dados sintéticos para transporte ferroviário : YOLO vs RT-DETR em operações de carregamento de trens.

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Maria, Thiago Leonardo
Orientador(a): Bianchi, Andrea Gomes Campos, Silva, Saul Emanuel Delabrida
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Indústria de tecnologia de ponta - Industria 4.0
Detectores - detecção de objetos
Inteligência artificial - dados sintéticos
Link de acesso: https://www.repositorio.ufop.br/handle/123456789/20993
Resumo: Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.
id UFOP_416db5edccb68ccbe92b2583f7641872
oai_identifier_str oai:repositorio.ufop.br:123456789/20993
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str
spelling Maria, Thiago LeonardoBianchi, Andrea Gomes CamposSilva, Saul Emanuel DelabridaCoelho, Bruno NazárioAraujo, Flavio Henrique Duarte deBianchi, Andrea Gomes CamposSilva, Saul Emanuel Delabrida2025-10-28T20:34:54Z2025MARIA, Thiago Leonardo. Detecção de objetos baseada em dados sintéticos para transporte ferroviário: YOLO vs RT-DETR em operações de carregamento de trens. 2025. 82 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.https://www.repositorio.ufop.br/handle/123456789/20993Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.O transporte ferroviário de minérios depende de processos logísticos altamente eficientes, sendo a etapa de carregamento dos vagões um dos pontos críticos da operação. A presença de objetos estranhos no interior dos vagões antes do carregamento pode comprometer a qualidade do mate- rial transportado, além de representar riscos à segurança e à integridade dos equipamentos. Esta dissertação propõe uma abordagem baseada em visão computacional para a detecção automá- tica de objetos indesejados em vagões ferroviários, utilizando técnicas modernas de aprendizado profundo.Dois modelos de detecção foram comparados: YOLOv10 (versões l e x), baseado em redes neurais convolucionais otimizadas para tempo real, e RT-DETR (versões l e x), que em- pregam arquiteturas baseadas em Transformers. Para o treinamento dos modelos, foram gerados dados sintéticos por meio do motor gráfico Unity, onde foi simulado um ambiente ferroviário re- alista com diferentes condições de iluminação, clima e categorias de objetos (humanos, animais e objetos inanimados). Um total de 33 mil imagens anotadas foram produzidas, organizadas em cinco folds para validação cruzada. A avaliação do desempenho foi realizada utilizando as métricas mAP50 e mAP50-95, e os resultados foram analisados por meio de ANOVA fatorial e testes pós-hoc de Tukey. Os modelos YOLOv10 demonstraram desempenho significativamente superior, com destaque para o YOLOv10-x, que alcançou mAP50 médio de 0,944 e mAP50-95 de 0,779, mantendo alta precisão mesmo em cenários adversos como chuva noturna. Em con- trapartida, os modelos RT-DETR apresentaram maior sensibilidade a variações ambientais.Os resultados demonstram que a combinação entre ambientes sintéticos realistas e modelos avan- çados de detecção pode representar uma solução promissora para aplicações industriais críticas, como a inspeção automatizada no setor ferroviário. Além disso, o trabalho evidencia a viabili- dade da utilização de dados sintéticos como alternativa escalável para o treinamento de sistemas de visão computacional em contextos onde a coleta de dados reais é limitada ou custosa.The transportation of minerals by rail relies on highly efficient logistics processes, with the loading of railcars being one of the most critical stages. The presence of foreign objects in- side empty wagons prior to loading can compromise the quality of the transported material and pose risks to equipment integrity and operational safety. This dissertation proposes a computer vision-based approach for the automatic detection of unwanted objects inside freight wagons, using state-of-the-art deep learning techniques. Two object detection models were evaluated: YOLOv10 (versions l and x), based on convolutional neural networks optimized for real-time performance, and RT-DETR (versions l and x), which leverage Transformer-based architectures. For model training, a large synthetic dataset was generated using the Unity engine, simulating a realistic railway loading environment under different lighting conditions, weather scenarios, and object categories (humans, animals, and inanimate objects). A total of 33,000 labeled images were generated and organized into five folds for cross-validation. Performance evalu- ation was conducted using mAP50 and mAP50-95 metrics, with statistical analysis performed through factorial ANOVA and Tukey post-hoc tests. YOLOv10 models achieved significantly superior results, particularly the YOLOv10-x variant, which reached a mean mAP50 of 0.944 and mAP50-95 of 0.779, maintaining high accuracy even under challenging conditions such as nighttime rain. In contrast, RT-DETR models exhibited greater sensitivity to environmental variability. The findings demonstrate that the integration of realistic synthetic environments with advanced object detection models offers a promising solution for critical industrial appli- cations, such as automated inspection in railway logistics. Furthermore, this work highlights the feasibility of using synthetic data as a scalable alternative for training computer vision systems in scenarios where collecting real data is difficult or expensive.Attribution 3.0 United Stateshttp://creativecommons.org/licenses/by/3.0/us/Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 30/09/2025 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante.info:eu-repo/semantics/openAccessIndústria de tecnologia de ponta - Industria 4.0Detectores - detecção de objetosInteligência artificial - dados sintéticosDetecção de objetos baseada em dados sintéticos para transporte ferroviário : YOLO vs RT-DETR em operações de carregamento de trens.Synthetic data-driven object detection for rail transport : YOLO vs RT-DETR in train loading operations.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOPORIGINALDISSERTAÇÃO_DetecçãoObjetosBaseada.pdfDISSERTAÇÃO_DetecçãoObjetosBaseada.pdfapplication/pdf24376550https://www.repositorio.ufop.br/bitstreams/33dd9b54-0865-4709-8478-1eb16b9d4e36/downloadd3828fb050accebb8ad4b8f17239ba3dMD51trueAnonymousREADCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81025https://www.repositorio.ufop.br/bitstreams/a8bb6696-2f60-4f0f-886a-5beb9e8b3bcf/download5fbab3a8de1b8b11fce4c9bca21b0aabMD52falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-8926https://www.repositorio.ufop.br/bitstreams/5a4b31b9-fe12-436e-9289-487ad139941a/download6dfd919e2b1c01620b6fbdd30d00db2cMD53falseAnonymousREADTEXTDISSERTAÇÃO_DetecçãoObjetosBaseada.pdf.txtDISSERTAÇÃO_DetecçãoObjetosBaseada.pdf.txtExtracted texttext/plain102953https://www.repositorio.ufop.br/bitstreams/c4d6f870-27e1-4139-9ccf-6b85f4ce1b00/download145440c5ecbc0d213ab7e731bf97b387MD54falseAnonymousREADTHUMBNAILDISSERTAÇÃO_DetecçãoObjetosBaseada.pdf.jpgDISSERTAÇÃO_DetecçãoObjetosBaseada.pdf.jpgGenerated Thumbnailimage/jpeg3800https://www.repositorio.ufop.br/bitstreams/1990ffce-97e3-49ca-911b-f1117ca8aaaa/download48ac39bea39fac9f031aac42421303aeMD55falseAnonymousREAD123456789/209932025-10-28 17:34:57.496http://creativecommons.org/licenses/by/3.0/us/abertoopen.accessoai:repositorio.ufop.br:123456789/20993https://www.repositorio.ufop.brRepositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332025-10-28T20:34:57Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)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
dc.title.none.fl_str_mv Detecção de objetos baseada em dados sintéticos para transporte ferroviário : YOLO vs RT-DETR em operações de carregamento de trens.
dc.title.alternative.none.fl_str_mv Synthetic data-driven object detection for rail transport : YOLO vs RT-DETR in train loading operations.
title Detecção de objetos baseada em dados sintéticos para transporte ferroviário : YOLO vs RT-DETR em operações de carregamento de trens.
spellingShingle Detecção de objetos baseada em dados sintéticos para transporte ferroviário : YOLO vs RT-DETR em operações de carregamento de trens.
Maria, Thiago Leonardo
Indústria de tecnologia de ponta - Industria 4.0
Detectores - detecção de objetos
Inteligência artificial - dados sintéticos
title_short Detecção de objetos baseada em dados sintéticos para transporte ferroviário : YOLO vs RT-DETR em operações de carregamento de trens.
title_full Detecção de objetos baseada em dados sintéticos para transporte ferroviário : YOLO vs RT-DETR em operações de carregamento de trens.
title_fullStr Detecção de objetos baseada em dados sintéticos para transporte ferroviário : YOLO vs RT-DETR em operações de carregamento de trens.
title_full_unstemmed Detecção de objetos baseada em dados sintéticos para transporte ferroviário : YOLO vs RT-DETR em operações de carregamento de trens.
title_sort Detecção de objetos baseada em dados sintéticos para transporte ferroviário : YOLO vs RT-DETR em operações de carregamento de trens.
author Maria, Thiago Leonardo
author_facet Maria, Thiago Leonardo
author_role author
dc.contributor.referee.none.fl_str_mv Bianchi, Andrea Gomes Campos
Silva, Saul Emanuel Delabrida
Coelho, Bruno Nazário
Araujo, Flavio Henrique Duarte de
dc.contributor.author.fl_str_mv Maria, Thiago Leonardo
dc.contributor.advisor1.fl_str_mv Bianchi, Andrea Gomes Campos
Silva, Saul Emanuel Delabrida
contributor_str_mv Bianchi, Andrea Gomes Campos
Silva, Saul Emanuel Delabrida
dc.subject.por.fl_str_mv Indústria de tecnologia de ponta - Industria 4.0
Detectores - detecção de objetos
Inteligência artificial - dados sintéticos
topic Indústria de tecnologia de ponta - Industria 4.0
Detectores - detecção de objetos
Inteligência artificial - dados sintéticos
description Programa de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-10-28T20:34:54Z
dc.date.issued.fl_str_mv 2025
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv MARIA, Thiago Leonardo. Detecção de objetos baseada em dados sintéticos para transporte ferroviário: YOLO vs RT-DETR em operações de carregamento de trens. 2025. 82 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.
dc.identifier.uri.fl_str_mv https://www.repositorio.ufop.br/handle/123456789/20993
identifier_str_mv MARIA, Thiago Leonardo. Detecção de objetos baseada em dados sintéticos para transporte ferroviário: YOLO vs RT-DETR em operações de carregamento de trens. 2025. 82 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.
url https://www.repositorio.ufop.br/handle/123456789/20993
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution 3.0 United States
http://creativecommons.org/licenses/by/3.0/us/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution 3.0 United States
http://creativecommons.org/licenses/by/3.0/us/
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
bitstream.url.fl_str_mv https://www.repositorio.ufop.br/bitstreams/33dd9b54-0865-4709-8478-1eb16b9d4e36/download
https://www.repositorio.ufop.br/bitstreams/a8bb6696-2f60-4f0f-886a-5beb9e8b3bcf/download
https://www.repositorio.ufop.br/bitstreams/5a4b31b9-fe12-436e-9289-487ad139941a/download
https://www.repositorio.ufop.br/bitstreams/c4d6f870-27e1-4139-9ccf-6b85f4ce1b00/download
https://www.repositorio.ufop.br/bitstreams/1990ffce-97e3-49ca-911b-f1117ca8aaaa/download
bitstream.checksum.fl_str_mv d3828fb050accebb8ad4b8f17239ba3d
5fbab3a8de1b8b11fce4c9bca21b0aab
6dfd919e2b1c01620b6fbdd30d00db2c
145440c5ecbc0d213ab7e731bf97b387
48ac39bea39fac9f031aac42421303ae
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1862724438906109952

Registros relacionados