Busca avançada
Ano de início
Entree

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: 21/01553-0
Linha de fomento:Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
Vigência (Início): 01 de março de 2021
Vigência (Término): 31 de julho de 2021
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Alexandre Ribeiro Lopes
Beneficiário:Daniel Lombardi de Oliveira
Empresa:Decode Soluções em Tecnologia da Informação Ltda
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):Aprendizado computacional   Inteligência artificial   Redes neurais convolucionais   Processamento de imagens   Medição do consumo de água

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.