Detecção de Armas de Fogo em Imagens Baseada em Redes Neurais Convolucionais

Página do item simplificado
bibo.pageEnd73
dc.contributor.advisor1Ciarelli, Patrick Marques
dc.contributor.advisor1IDhttps://orcid.org/0000000331774028
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1267950518719423
dc.contributor.authorCardoso, Guilherme Vinícius Simões
dc.contributor.authorIDhttps://orcid.org/0000-0003-0898-9186
dc.contributor.authorLatteshttp://lattes.cnpq.br/7411793218517484
dc.contributor.referee1Samatelo, Jorge Leonid Aching
dc.contributor.referee1IDhttps://orcid.org/0000-0001-7679-4132
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5049258096050209
dc.contributor.referee2Almonfrey, Douglas
dc.contributor.referee2IDhttps://orcid.org/0000-0002-0547-3494
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1291322166628469
dc.contributor.referee3Vassallo, Raquel Frizera
dc.contributor.referee3IDhttps://orcid.org/0000000247623219
dc.contributor.referee3Latteshttp://lattes.cnpq.br/9572903915280374
dc.date.accessioned2024-05-30T00:52:44Z
dc.date.available2024-05-30T00:52:44Z
dc.date.issued2021-04-30
dc.description.abstractThe demand for weapons has grown along with crime rates, being a contemporary problem that haunts several countries. In Brazil, possible changes are being discussed to make the ownership and possession of firearms more flexible, dividing opinions and generating a huge discussion on the subject. This has motivated scientists to devise solutions that can assist in public security in general. In an attempt to find ways to minimize this problem, a research was carried out on the main work related to the classification and detection of firearms, aiming to obtain information on the main techniques used. Thus, in this work is proposed a methodology for the detection of firearms in images using convolutional neural networks. Recent work has used object detectors based on these networks and presented relevant results. Therefore, this work proposes a methodology for detecting weapons using an object detector, called YOLO (You Only Look Once), and an architecture based on convolutional neural networks. Two approaches were taken to evaluate the proposed methodology, taking into account three threshold values for IoU. The first approach, compared with the results found in the literature, points to an improvement in the results, where an accuracy of 93, 67% and a F1 of 93, 05% was achieved, which represents a growth greater than 10% in accuracy and a slight improvement of almost 2% in the F1 metric. The second approach follows the same methodology, but applies a different initial step, where the object detector is modified and used to mark a database and compose a new labeled one. Such approach had a positive impact on the results, where there was an increase in accuracy and almost 4% in the F1 metric. In the three IoU values evaluated, the best one has an accuracy of 89, 91% and, in the same configuration, points to a F1 of 94, 54% with a confidence of 58%. These results show that the proposed methodology is promising to be applied for firearms detection in images.
dc.description.resumoA procura por armas tem crescido juntamente com os índices de criminalidade, sendo um problema contemporâneo que assombra diversos países. No Brasil, possíveis mudanças estão sendo discutidas para a flexibilização da posse e do porte de armas de fogo, dividindo opiniões e gerando uma enorme discussão sobre o assunto. Isto tem motivado cientistas a traçar soluções que possam auxiliar na segurança pública de maneira geral. Em uma tentativa de buscar meios para minimizar este problema, foi realizada uma pesquisa sobre os principais trabalhos relacionados na classificação e detecção de armas de fogo, visando obter informações sobre as principais técnicas utilizadas. Com isso, neste trabalho, é proposta uma metodologia para a detecção de armas de fogo em imagens usando redes neurais convolucionais. Trabalhos recentes utilizaram detectores de objetos baseados em tais redes e apresentaram resultados relevantes. Por isso, neste trabalho foi proposta uma metodologia para detecção de armas utilizando um detector de objetos chamado YOLO (You Only Look Once) e uma arquitetura baseada em redes neurais convolucionais. Duas abordagens foram realizadas para avaliar a metodologia proposta, levando em consideração três valores de limiar para IoU. A primeira abordagem, comparada com os resultados encontrados na literatura, aponta uma melhora nos resultados, onde foi alcançada uma precisão de 93, 67% e um F1 de 93, 05%, o que representa um crescimento superior a 10% na precisão e uma ligeira melhora de quase 2% na métrica F1. A segunda abordagem segue a mesma metodologia, mas aplica uma etapa inicial diferente, onde o detector de objetos é modificado e utilizado para marcar um banco de dados e compor um novo conjunto de dados rotulado. Tal abordagem impactou positivamente nos resultados, onde houve um aumento na precisão e de quase 4% na métrica F1. Nos três valores de IoU avaliados, o melhor apresenta uma precisão de 89, 91% e, a mesma configuração, aponta um F1 de 94, 54% com uma confiança de 58%. Estes resultados mostram que a metodologia proposta é promissora para ser aplicada na detecção de armas de fogo em imagens.
dc.description.sponsorshipFundação Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/15539
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseMestrado em Engenharia Elétrica
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica
dc.rightsopen access
dc.subjectRedes neurais convolucionais
dc.subjectvisão computacional
dc.subjectdetecção de objetos
dc.subjectYOLO
dc.subject.br-rjbnsubject.br-rjbn
dc.subject.cnpqEngenharia Elétrica
dc.titleDetecção de Armas de Fogo em Imagens Baseada em Redes Neurais Convolucionais
dc.title.alternativetitle.alternative
dc.typemasterThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
GuilhermeViniciusSimoesCardoso-2021-dissertacao.pdf
Tamanho:
33.24 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Mestrado em Engenharia Elétrica