Uma pesquisa da Universidade Federal do Rec\u00f4ncavo da Bahia (UFRB) est\u00e1 unindo Intelig\u00eancia Artificial e Engenharia para monitoramento automatizado de ve\u00edculos pesados em rodovias. O estudo \u00e9 conduzido pelo mestrando em Engenharia El\u00e9trica e Computa\u00e7\u00e3o, Brenner Ara\u00fajo, e prop\u00f5e a aplica\u00e7\u00e3o de t\u00e9cnicas computacionais para detectar, classificar e rastrear caminh\u00f5es conforme as categorias do Manual de Tr\u00e1fego do Departamento Nacional de Infraestrutura de Transportes (DNIT). A partir dessa classifica\u00e7\u00e3o, \u00e9 poss\u00edvel estimar com mais precis\u00e3o a carga imposta ao pavimento \u2014 uma vari\u00e1vel fundamental para compreender o desgaste das vias e planejar manuten\u00e7\u00f5es mais eficazes.<\/p>\n\n\n\n
Intelig\u00eancia artificial aplicada ao reconhecimento de ve\u00edculos<\/strong><\/p>\n\n\n\n Para alcan\u00e7ar esses resultados, a pesquisa utiliza redes neurais convolucionais \u2014 um modelo de intelig\u00eancia artificial voltado \u00e0 an\u00e1lise de imagens \u2014 treinado para identificar padr\u00f5es visuais em caminh\u00f5es a partir de milhares de registros capturados em v\u00eddeo.<\/p>\n\n\n\n As imagens, obtidas por uma c\u00e2mera instalada na BR-110, em Olindina (BA), s\u00e3o processadas com o apoio de um modelo pr\u00e9-treinado que extrai automaticamente cenas com presen\u00e7a de ve\u00edculos. Em seguida, essas imagens s\u00e3o organizadas por classe, anotadas manualmente com caixas delimitadoras (bounding boxes) e preparadas para o treinamento da rede neural. O sistema aprende a diferenciar os tipos de ve\u00edculos, reconhecendo-os automaticamente em novas imagens.<\/p>\n\n\n\n \u201cNosso objetivo \u00e9 tornar o monitoramento do tr\u00e1fego mais inteligente e eficiente, oferecendo uma ferramenta que alie automa\u00e7\u00e3o, precis\u00e3o e aplicabilidade pr\u00e1tica\u201d, destaca Brenner Ara\u00fajo.<\/p>\n\n\n\n Um dos grandes desafios enfrentados pela equipe, segundo Brenner, \u00e9 a constru\u00e7\u00e3o de um dataset robusto. S\u00e3o necess\u00e1rias ao menos 200 imagens por categoria, totalizando 32 tipos de caminh\u00f5es diferentes, o que exige coleta, triagem e organiza\u00e7\u00e3o rigorosa dos dados.<\/p>\n\n\n\n Avalia\u00e7\u00e3o e impacto na infraestrutura vi\u00e1ria<\/strong><\/p>\n\n\n\n Com o modelo treinado, os resultados s\u00e3o avaliados por meio de m\u00e9tricas como precis\u00e3o (precision), revoca\u00e7\u00e3o (recall) e fun\u00e7\u00e3o de perda (loss) \u2014 indicadores que validam a efic\u00e1cia do sistema. A expectativa \u00e9 que esse tipo de monitoramento automatizado possibilite diagn\u00f3sticos mais r\u00e1pidos e precisos sobre o estado das rodovias, embasando estrat\u00e9gias de manuten\u00e7\u00e3o preventiva e decis\u00f5es de gest\u00e3o p\u00fablica com base em dados confi\u00e1veis.<\/p>\n\n\n\n \u201cMontar esse conjunto de dados exige um trabalho intenso de coleta, sele\u00e7\u00e3o e organiza\u00e7\u00e3o das imagens em um formato que o modelo de IA consiga entender. Esse \u00e9 o maior desafio para preparar o formato que o modelo vai usar para aprender\u201d, explica o pesquisador.<\/p>\n\n\n\n A pesquisa est\u00e1 em desenvolvimento h\u00e1 dois anos e teve in\u00edcio ainda na gradua\u00e7\u00e3o de Brenner, no curso de Bacharelado em Ci\u00eancias Exatas e Tecnol\u00f3gicas na UFRB. O projeto conta com a orienta\u00e7\u00e3o do professor Acbal Achy e a coorienta\u00e7\u00e3o dos professores Tiago Pagano (da \u00e1rea de Computa\u00e7\u00e3o), M\u00e1rio S\u00e9rgio Almeida e Weiner Costa (de Engenharia Civil \u2013 Pavimenta\u00e7\u00e3o).<\/p>\n\n\n\n