Modelo de deep learning otimiza vídeos em tempo real de drones
São Paulo — InkDesign News —
A pesquisa realizada pela Universidade de Tsukuba revela avanços significativos em sistemas de vigilância por vídeo utilizando técnicas de machine learning e inteligência artificial, otimizando a qualidade das imagens capturadas por veículos aéreos não tripulados (UAVs).
Contexto da pesquisa
A vigilância em tempo real em áreas de difícil acesso ainda enfrenta desafios na integração de hardware, software e redes. Sistemas que utilizam UAVs têm se mostrado promissores, mas a realização de avaliações de qualidade durante a fase inicial de design é complexa e exigente, especialmente ao considerar fatores incertos que influenciam o desempenho dos sistemas.
Método proposto
Os pesquisadores introduziram a abordagem SPADE (Simulator-assisted PerformAbility Design methodology for UAV-based Systems), que simula um ambiente virtual que se assemelha ao local de operação dos UAVs. Utilizando dados de vídeo de um simulador de voo, o SPADE permite a realização de avaliações detalhadas de qualidade sem manipulações no mundo real.
“O método SPADE pode avaliar os efeitos das diferenças de resolução das imagens de entrada na qualidade do sistema para a detecção de objetos em tempo real por um UAV.”
(“The SPADE method can evaluate the effects of resolution differences among the input images on the quality of the system for real-time object detection by a UAV.”)— Qingyang Zhang, Pesquisador, Universidade de Tsukuba
A abordagem coleta imagens virtuais durante o voo simulado do UAV, analisa a precisão do processamento e o consumo energético em um modelo de transição de estado do sistema para avaliações de qualidade e análise de trade-off. Esse método traz melhorias significativas na especificação de sistemas complexos de vigilância.
Resultados e impacto
Os dados coletados pelo sistema SPADE permitem que diversos sistemas de vigilância por vídeo possam ser projetados e otimizados antes da implementação em campo. Os pesquisadores visam desenvolver métodos que facilitem o design eficiente de sistemas em larga escala, envolvendo múltiplos UAVs operando em coordenação.
A capacidade de avaliar a qualidade das imagens em ambientes simulados pode revolucionar o uso de UAVs em setores como segurança pública, monitoramento ambiental e agricultura de precisão.
Fonte: (TechXplore – Machine Learning & AI)
