Uma Proposta Para Detecção de Buracos com Aprendizagem de Máquina na Borda
Infraestrutura urbana, aprendizado de máquina na borda, YOLOv8, FOMO, TinyML, detecção de buracos, otimização de modelos, processamento em tempo real.
Buracos em vias urbanas representam um problema significativo, afetando tanto a segurança dos usuários quanto a durabilidade dos veículos. Este estudo introduz uma abordagem inovadora que integra aprendizado de máquina em dispositivos de borda, com ênfase nos modelos YOLOv8 e FOMO no contexto do TinyML. Utilizamos um conjunto de dados especializado, contendo imagens anotadas, para treinar esses modelos de forma eficaz na detecção precisa de buracos. O foco da pesquisa está na otimização do desempenho desses modelos para dispositivos com recursos computacionais limitados, visando eficiência em tempo real e redução do consumo de energia. Este trabalho não só fornece modelos eficazmente treinados, mas também introduz um framework adaptável para a detecção de buracos, assegurando uma implementação prática e eficiente. Além disso, ao final, apresentamos um pipeline completo para a detecção de buracos, validando a precisão e eficiência dos modelos. Esta abordagem propõe uma solução robusta e energeticamente eficiente para o reconhecimento automático de buracos, contribuindo significativamente para melhorias na manutenção de infraestruturas urbanas.