As técnicas de visão computacional vem sendo aplicadas para medição de rotação de equipamentos ou máquinas com o objetivo de monitorar as condições de funcionamento e prevenção de falhas, por exemplo. Essas técnicas apresentam vantagem por não necessitar de contato físico com os equipamentos que estão medindo, além disso, permite a extração de outras informações através da informação visual. No entanto, os sensores de visão tradicionais, baseados em frames captam uma grande quantidade de informações para processar, principalmente quando aplicados para sistemas de alta velocidade, além de estarem sujeitos a ocorrência de imagens borradas devido ao movimento, também chamado de motion blur. Então, recentemente, um novo tipo de sensor para extração de informações visuais vem sendo difundido e sugere uma mudança de paradigma na geração e processamento de dados de imagens, tendo como principais características alta resolução temporal, alta faixa dinâmica, e não está sujeito aos efeitos de borramento de imagem. Ele é chamado de sensor neuromórfico e produz dados baseados em eventos, onde cada pixel possui uma resposta independente. Através do uso desse sensor, este trabalho propõe uma técnica de medição de rotação sem contato, onde é avaliada a capacidade de medição dessa técnica, verificando sua precisão em comparação com outras técnicas apresentadas já existentes e a medição de múltiplos objetos com rotações distintas utilizando um único sensor, aplicação muito importante para setores industriais com muitos equipamentos rotativos, como a indústria de manufatura ou a indústria eólica. Dentre as principais vantagens dessa técnica podemos destacar que não necessita de contato com a máquina rotativa, não precisa de instalação de equipamentos extras no processo, ou seja, não requer alterações na linha de produção e apresenta potencial para aplicações de medição de rotações distintas simultaneamente. O método de medição compara o tempo entre blocos de eventos com sinais distintos em uma região específica do sensor para obtenção da rotação. A avaliação do método proposto é comparada com a medição através de um tacômetro digital. Os parâmetros analisados são o tamanho da janela de medição, quantidade de dados processados, a precisão da medição e a capacidade de medição de múltiplas rotações. Experimentos foram realizados em quatro equipamentos para avaliar o modelo do sistema de medição, inicialmente a validação do método foi feita através da medição de hélices de ventiladores e numa máquina rotativa de usinagem router CNC, em seguida foram avaliados os métodos de múltiplas medições através de um torno mecânico CNC e das hélices de um drone rotacionando sob o efeito de ventilação artificial.
"Inicialmente o termo DT se concentrava em atividades de codificação; mas, à medida que as investigações evoluíram, foi estendido para abranger outras etapas do processo de desenvolvimento de software (RIOS et al., 2018); como exemplo temos a DT em requisitos (DTR). Ernst (2012) foi um dos primeiros a definir DTR, descrevendo-a como "a diferença entre a solução ótima para um problema de requisitos e a solução real, levando em consideração algum espaço de decisão". Este conceito vem sendo aprimorado ao longo dos anos (FRATTINI, et al. 2023). Embora a DTR seja reconhecida e discutida na indústria e nas pesquisas científicas (Frattini et al., 2023), a sua aplicação no contexto de projetos desenvolvidos em sala de aula vem sendo tratada de forma restrita e pouco expressiva, não se encontrando artigos na área. O principal problema abordado nesta pesquisa é como aproximar a experiência acadêmica do contexto da indústria, proporcionando aos estudantes uma compreensão mais abrangente e realista dos desafios enfrentados no mercado, com relação à gestão da DTR. Assim, como hipótese, tem-se que a incorporação do conceito de DTR nos projetos desenvolvidos na academia, em sala de aula, pode contribuir para uma formação mais abrangente e realista dos estudantes, refletindo o ambiente de mercado de maneira mais efetiva."
"O acompanhamento das equipes médicas para avaliar a saúde materna e fetal, pode ser crucial para a identificação precoce de complicações de saúde, como Low Birth Weight (LBW). Doença considerada preocupação de saúde pública, ressaltando desafios socioeconômicos e a importância de intervenções precoces para a evitabilidade de morbidade e mortalidade neonatal. Com mais de 20 milhões de casos anuais globalmente, o LBW está associado a diversos riscos, impactando negativamente o desenvolvimento e a qualidade de vida dos recém-nascidos e familiares. No Brasil, dados do Sistema de Informação sobre Nascidos Vivos (SINASC) revelam que anualmente, cerca de 8% a 9% dos recém-nascidos são diagnosticados com LBW, destacando a necessidade de estratégias abrangentes e políticas de saúde para gestantes. O estudo propõe a utilização de modelos de machine learning para a predição de gestantes em risco de terem recém-nascidos com LBW, visando contribuir para a prevenção e cuidados adequados. A metodologia abordou a aplicação de cinco modelos em quatro cenários distintos, onde cada cenário incorporou variações na seleção de atributos e na abordagem de experimentos envolvendo a estratégia de remover ou permanecer com os dados duplicados após o pré-processamento. Os resultados dos modelos em todos os cenários obtiveram o desempenho de avaliação na métrica specificity acima de 0.6800, indicando que os modelos consegue identificar recém-nascidos com Normal Birth Weight (NBW), enquanto revela limitações na identificação de casos de LBW, enfatizando a necessidade de aprimoramento nessa área. Experimentos com remoção de dados duplicados mostraram desafios na generalização dos modelos, especialmente quando os modelos foram testados nos datasets mais recentes (2022), com a métrica de specificity sendo a mais afetada. A análise de importância de atributos destacou características sociodemográficas e histórico gestacional como influentes na aprendizagem dos modelos. Além disso, a distribuição de atributos nos datasets evidenciou variações após a remoção de dados duplicados, indicando impacto na generalização. O estudo fornece uma visão abrangente das capacidades e limitações dos modelos de machine learning na predição de LBW, destacando-se os modelos Adaboost e Gradient Boosting como mais robustos quando utilizados para predição de LBW em cenários de dados dinâmicos."