Eventos
Divulgação - Defesa Nº 223
Aluno: Adson Matoso Santos
Título: “Desenvolvimento de uma Solução para Automatização de Pesquisas Volumétricas Globais e Classificatórias de Veículos em Rodovias”.
Orientador: Prof. Alexandre Magno Andrade Maciel
Co-orientador: Carmelo José Albanez Bastos Filho
Data-hora: 17/Dezembro/2020 (14:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/ghz-nyyh-mdw)
Resumo:
“As pesquisas de tráfego permitem o conhecimento da geração e distribuição do fluxo de veículos,essas informações são fundamentais para previsão das necessidades futuras de circulação dos usuários das vias. No Brasil, o Departamento Nacional de Infraestrutura de Transportes (DNIT)mantém o Plano Nacional de Contagem de Tráfego (PNCT), que objetiva avaliar o fluxo atual de tráfego nas rodovias federais. No entanto, o DNIT ainda realiza pesquisas classificatórias de forma não automatizada ou utilizando equipamentos invasivos. Neste contexto, a busca por soluções mais modernas que possibilitem um maior número de pesquisas classificatórias automatizadas não invasivas e de baixo custo é fundamental para a otimização de estudos de tráfego. Este trabalho propõe um sistema que utiliza o YOLOv3 para detecção de objetos e o Deep SORT para algoritmos de rastreamento de múltiplos objetos. Na contagem global de veículos, a partir dos resultados dos vídeos do mundo real coletados nas estradas brasileiras,obteve-se uma precisão acima de 90%. Além disso, mostrou-se que a proposta desta pesquisa superou outras ferramentas sugeridas anteriormente com precisão de 99,15% em conjuntos dedados públicos. Na contagem classificatória de veículos, com base nos resultados obtidos em duas horas de vídeos reais utilizados em pesquisas de contagem de tráfego, alcançou-se um valor preditivo positivo acima de 89,85% e sensibilidade (recall) acima de 87,32%. Esse resultado na contagem classificatória de veículos foi coletado utilizando quatro cenários diferentes e a tabela de classificação do DNIT com 14 classes. Os resultados apontam que a solução proposta permite automatizar as pesquisas volumétricas de tráfego de forma não invasiva e de baixo custo.”
Divulgação - Defesa Nº 222
Aluno: Gerivan Clecio dos Santos Júnior
Título: “Segmentação de Fissuras em Cerâmicas com Aprendizagem Profunda para Inspeção de Fachadas”.
Orientador: Prof. Bruno José Torres Fernandes
Data-hora: 27/Novembro/2020 (9:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (http://meet.google.com/cvt-trxp-dnu)
Resumo:
“Fissuras são patologias cujo aparecimento em cerâmicas de revestimento pode causar diversos riscos, a medida que o sistema de revestimento perde sua função de estanque e impermeabilidade. O desprendimento de uma placa cerâmica, além de expor a estrutura predial, pode acidentar pessoas que trafeguem em torno da edificação. A inspeção manual utilizada na inspeção de fachadas é o método mais comum para este problema, porém, depende de profissionais com experiência e conhecimento na área, além de demandar tempo para mapeamento de local a ser reparado e possuir custo elevado, pois, tais inspeções necessitam de equipamentos especiais visto que a maioria ocorre em locais elevados e expõe o profissional a riscos. Considerando isto, destaca-se a necessidade de uma inspeção óptica automatizada, com a finalidade de encontrar fissuras nas placas cerâmicas. Este projeto tem como foco a segmentação de fissuras em imagens de cerâmicas, utilizando a aprendizagem profunda para segmentar esses defeitos com poucas imagens. É Proposto uma arquitetura para segmentação de fissuras em fachadas com Deep Learning que inclui uma etapa de pré-processamento e uma rede neural profunda. Também foi proposto o Ceramic Crack Database, um conjunto de imagens para avaliar a segmentação de defeitos em revestimentos cerâmicos. Os resultados mostram que o método proposto alcança desempenho promissor. Há dificuldades para um modelo de rede aprender padrão de argamassa e diferenciá-lo da fissura, no entanto, o modelo pode identificar adequadamente a fissura, mesmo quando está perto ou dentro da argamassa.”
Divulgação - Defesa Nº 221
Aluno: Vinícius de Albuquerque Brito
Título: “Boas Práticas de Modelagem de Processos: uma avaliação cognitiva”.
Orientador: Prof. Denis Silva da Silveira
Data-hora: 27/Novembro/2020 (9:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (http://meet.google.com/ead-airh-zvw)
Resumo:
“O gerenciamento de processos de negócio tem sido uma ferramenta amplamente adotada nas organizações devido a sua capacidade de oferecer melhorias no desempenho organizacional. Para descrever e melhorar a compreensão dos processos de negócio são utilizadas notações de modelagem de processo, sendo o BPMN, o mais aplicado nas organizações. No entanto, a compreensão de um modelo de processo pelos stakeholders não é garantida, pois a modelagem de processos não é uma tarefa trivial e depende da proficiência do modelador para evitar uma construção inadequada. Uma abordagem proposta na literatura para melhorar a qualidade dos modelos é recomendar para os projetistas a utilização de guias com diretrizes de boas práticas de modelagem. Entretanto, ainda é difícil encontrar um conjunto de boas práticas consolidado na literatura e principalmente, com sua eficácia validada quanta a melhora da compreensão dos modelos. O objetivo desta dissertação é verificar a eficácia cognitiva das diretrizes de boas práticas de modelagem. Para tal, foi proposto um conjunto de boas práticas após realizar uma revisão sistemática da literatura sobre a temática. O conjunto de diretrizes proposto foi aplicado em um modelo de processo e realizado um experimento, no qual os participantes analisaram modelos distintos e responderam questões sobre a eficácia do modelo. Além disso foi realizado um experimento preliminar com um rastreador ocular para obter métricas cognitivas dos participantes. Os resultados apontaram que o modelo de processo com conjunto de diretrizes obteve uma melhor eficácia em relação a exatidão, velocidade e facilidade, quando comparado ao modelo sem as diretrizes.”
O Programa
