Desenvolvimento de um modelo de inteligência artificial para processamento de imagens de medidores de água em smartphones, utilizando redes neurais convolucionais e detecção de objetos, visando a obtenção do valor da medição com performance e acurácia

• Processo: 20/13062-8
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de novembro de 2020
• Data de Término da vigência: 31 de julho de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Alexandre Ribeiro Lopes
• Beneficiário: Paul Joseph Hidalgo Flores
• CNAE: Desenvolvimento e licenciamento de programas de computador customizáveis ; Consultoria em tecnologia da informação ; Suporte técnico, manutenção e outros serviços em tecnologia da informação
• Vinculado ao auxílio: 20/00723-6 - Desenvolvimento de um modelo de inteligência artificial para processamento de imagens de medidores de água em smartphones, utilizando redes neurais convolucionais e detecção de objetos, visando a obtenção do valor da medição com performance e acurácia, AP.PIPE
• Assunto(s): Inteligência artificial Redes neurais convolucionais Processamento de imagens Dispositivos móveis
• Palavra(s)-Chave do Pesquisador: Detecção de objetos | Inteligência Artificial | Reconhecimento de imagens OCR | Redes Neurais convolucionais | Processamento de imagens utilizando Inteligência Artificial

Resumo

O objetivo deste projeto de pesquisa é a avaliação de viabilidade no desenvolvimento de um modelo de inteligência artificial para processamento de imagens de medidores de água por meio de dispositivos móveis. O processo de leitura de um medidor atualmente é realizado de forma manual, suscetível a erros e fraudes, portanto, o uso de um mecanismo que torna automático o reconhecimento das informações de um medidor possibilitaria a redução ou a mitigação dos problemas associados a leitura de um medidor, assim como o aumento da produtividade do leiturista. Este projeto será composto por três etapas principais, a primeira etapa consiste na criação de uma nova arquitetura de rede neural, com base em arquiteturas já existentes (CR-NET, YOLOv2 e CenterNet), aplicando-se técnicas de otimização e de redução da complexidade dessas arquiteturas, envolvendo a redução ou eliminação de camadas convolucionais da rede, mensurando a redução no tempo de processamento versus a queda de acurácia obtida em cada simulação realizada. Na segunda etapa, outras técnicas de otimização serão aplicadas, como a processo de quantização da informação (que envolve a redução da precisão em bits das informações utilizadas) e a deistilação da rede neural (processo que gera um modelo estudante, mais simples, a partir de um modelo professor que é um modelo completo e mais complexo). A última etapa contempla os melhores modelos que equilibram o tempo de execução e acurácia e possui como finalidade aplicar otimizações específicas para execução da rede neural em dispositivos móveis. As duas etapas iniciais envolvem o desenvolvimento e otimização dos modelos utilizando-se a linguagem Python e o framework Tensorflow, e a última etapa utilizará o framework TFLite, voltado para uso de modelos de inteligência artificial em dispositivos móveis. O resultado esperado é a obtenção de um modelo de inteligência artificial que realize o reconhecimento de dígitos de um medidor dentro de um dispositivo móvel, ao invés de ter uma dependência de um sistema externo para a realização desse processo. Dentre os resultados secundários envolvem a redução de erros operacionais e de fraudes, com o aumento conseguinte da produtividade do leiturista, tornando o processo de leitura dos medidores, como um todo, menos custoso. Como impacto, espera-se poder penetrar a solução em locais onde o resultado precisa ser imediato e não pós processado. Esta solução poderá ser desdobrada para gás e luz futuramente justificando o crescimento de leituras maior que 100% ao ano. Além do mais o preço da leitura poderá ser aumentado de R$ 0,09 para R$ 0,12 sendo responsável por 25% do faturamento da Decode. (AU)