Implementação de uma arquitetura de deteção de objetos em tempo real através de algoritmos de inteligência artificial

Abstract

A crescente adoção da Indústria 4.0 tem impulsionado o desenvolvimento de sistemas inteligentes capazes de realizar inspeção automática e controlo de qualidade em tempo real. Neste contexto, a visão computacional, aliada às técnicas de inteligência artificial, constitui uma solução eficiente para a deteção e identificação de objetos em ambientes industriais. O presente projeto tem como objetivo desenvolver um sistema de deteção de objetos em tempo real utilizando o modelo YOLO (You Only Look Once), implementado numa plataforma Raspberry Pi e integrado com uma câmara 2D para aquisição de imagens. Inicialmente, foi criado um conjunto de dados composto por imagens de diferentes conectores de cabos automóveis, sendo posteriormente anotado com recurso à ferramenta CVAT e convertido para o formato YOLO. Após a preparação do conjunto de dados, foi realizado o treino do modelo recorrendo à biblioteca Ultralytics YOLO. Após o treino, foi desenvolvido um programa em Python para realizar testes de deteção de objetos em tempo real através da webcam do computador. De seguida, o modelo foi implementado numa plataforma Raspberry Pi equipada com uma câmara 2D, permitindo a sua execução em tempo real num sistema embarcado. O sistema desenvolvido demonstrou a viabilidade da utilização de modelos de inteligência artificial para aplicações de deteção automática de objetos em tempo real, constituindo uma solução promissora para aplicações em ambientes industriais.

Abstract: The increasing adoption of Industry 4.0 has driven the development of intelligent systems capable of performing automatic inspection and real-time quality control. In this context, computer vision, combined with Artificial Intelligence (AI) techniques, represents an efficient solution for object detection and identification in industrial environments. This project aims to develop a real-time object detection system using the YOLO (You Only Look Once) model, implemented on a Raspberry Pi platform and integrated with a 2D camera for image acquisition. Initially, a dataset consisting of images of different electrical connectors was created, annotated using the CVAT tool, and converted into the YOLO format. After the dataset preparation, the model was trained using the Ultralytics YOLO library. After the training phase, a Python application was developed to perform real-time object detection tests using the computer’s webcam. Subsequently, the trained model was deployed on a Raspberry Pi platform equipped with a 2D camera, enabling real-time object detection in an embedded system. The developed system demonstrated the feasibility of applying Artificial Intelligence techniques to real-time object detection tasks, highlighting their potential for industrial inspection and automation applications