Skip navigation

Use este identificador para citar ou linkar para este item: https://repositorio.ufpb.br/jspui/handle/123456789/15606
Registro completo de metadados
Campo DCValorIdioma
dc.creatorRodrigues, Diego Alves-
dc.date.accessioned2019-09-10T14:13:05Z-
dc.date.available2019-05-20-
dc.date.available2019-09-10T14:13:05Z-
dc.date.issued2018-11-09-
dc.identifier.urihttps://repositorio.ufpb.br/jspui/handle/123456789/15606-
dc.description.abstractControlling road traffic, public or private, borders, parking lots, trespass traffic laws are examples of tasks that require license plate identification, being the license plates regulated by specific laws. For the license plate identification process, it is necessary the use of some computer vision technic, field that has gained enough attention of the scientific community and of the companies over the last years as a way to increase efficiency and to cut costs. With the advent of Deep Learning, solutions to the most diverse problems have been researched. With Artificial Neural Networks, especially of Convolutional Neural Networks, a jump in terms of results compared to traditional methods was given. Convolutional Neural Networks are extremely successful in tasks that mainly involve classification. This work aims to demonstrate the viability of a Convolutional Neural Network for reading characters in vehicular license plates, obtaining results on the order of 89.24% of correctly inferred characters.pt_BR
dc.description.provenanceSubmitted by Rogerio Marques (rogerioferreiramarques1@gmail.com) on 2019-09-10T14:13:04Z No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) DAR20052019.pdf: 1669071 bytes, checksum: 061afa4a48af3c1465e51bd290e54f8f (MD5)en
dc.description.provenanceMade available in DSpace on 2019-09-10T14:13:05Z (GMT). No. of bitstreams: 2 license_rdf: 805 bytes, checksum: c4c98de35c20c53220c07884f4def27c (MD5) DAR20052019.pdf: 1669071 bytes, checksum: 061afa4a48af3c1465e51bd290e54f8f (MD5) Previous issue date: 2018-11-09en
dc.languageporpt_BR
dc.publisherUniversidade Federal da Paraíbapt_BR
dc.rightsAcesso abertopt_BR
dc.rightsAttribution-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nd/3.0/br/*
dc.subjectAprendizagem profundapt_BR
dc.subjectRedes neurais convolucionaispt_BR
dc.subjectReconhecimentopt_BR
dc.subjectPlacas de licenciamento veicularespt_BR
dc.titleDeep Learning e redes neurais convolucionais: reconhecimento automático de caracteres em placas de licenciamento automotivopt_BR
dc.typeTCCpt_BR
dc.contributor.advisor1Batista, Leonardo Vidal-
dc.description.resumoControlar o tráfego rodoviário, seja em vias públicas ou privadas, as fronteiras, quem estaciona em um determinado estacionamento, ou quem está infringindo as leis de trânsito são exemplos de tarefas que exigem a identificação veicular, identificação essa feita por meio de placas de licenciamento automotivas reguladas por leis específicas. Para o processo de identificação de placas é necessário o uso de alguma técnica de Visão Computacional, campo este que tem ganhado bastante atenção da comunidade científica e das empresas ao longo dos últimos anos como forma de aumentar eficiência e cortar custos. Com o advento da Aprendizagem Profunda, soluções para os mais diversos problemas vêm sendo pesquisadas. Com as Redes Neurais Artificiais, especialmente as Redes Neurais Convolucionais, um salto foi dado em termos de resultados se comparados com técnicas tradicionais. As Redes Neurais Convolucionais se mostram extremamente bem-sucedidas em tarefas que envolvem principalmente classificação. Este trabalho buscou demonstrar a viabilidade de uma Rede Neural Convolucional para leitura de caracteres em placas de licenciamento veiculares, obtendo resultados de inferência na ordem de 89,24% de caracteres inferidos corretamente.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInformáticapt_BR
dc.publisher.initialsUFPBpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
Aparece nas coleções:TCC - Ciência da Computação - CI

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DAR20052019.pdf1,63 MBAdobe PDFVisualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons