Edge Impulse Potential to Enhance Object Recognition Through Machine Learning

Gabriele Regina Pinaso; Leonardo Marcondes Figueiredo; Orlando Rosa Júnior; Marco Rogério  da Silva Richetto

doi:10.5433/1679-0375.2024.v45.49197

O Potencial do Edge Impulse para Aprimorar o Reconhecimento de Objetos por Meio de Aprendizado de Máquina

Autores

Gabriele Regina Pinaso SENAI Félix Guisard College of Technology https://orcid.org/0009-0001-7360-1179
Leonardo Marcondes Figueiredo SENAI Félix Guisard College of Technology https://orcid.org/0009-0008-6295-8472
Orlando Rosa Júnior SENAI Félix Guisard College of Technology https://orcid.org/0000-0002-3894-7879
Marco Rogério da Silva Richetto SENAI Félix Guisard College of Technology https://orcid.org/0000-0003-3755-4341

DOI:

https://doi.org/10.5433/1679-0375.2024.v45.49197

Palavras-chave:

inteligência artificial, aprendizado de máquina, reconhecimento de objetos, aplicativos low-code

Resumo

O Aprendizado de Máquina (AM) é um ramo poderoso da inteligência artificial que pode auxiliar empresas, seja qual for o seu porte, em diversas indústrias. Trata-se de uma opção para substituir recursos com custos operacionais elevados. O objetivo deste estudo foi utilizar a plataforma Edge Impulse como uma opção de ferramenta de AM. O sistema aplica frameworks de baixo código que abstraem uma série de técnicas complexas aplicadas em AM, como processamento de dados e estruturação de componentes de inteligência artificial (IA). Isso implica em uma redução no tempo durante o período de desenvolvimento. O uso do Edge Impulse proporciona uma alternativa de interface mais amigável com um fluxo lógico fácil de interpretar. A pesquisa focou em uma aplicação para realizar o reconhecimento de objetos, visando o limite de capacidade do sistema. Os resultados de acurácia foram de 97,9 % após a etapa de treinamento e 89 % após o reteste das primeiras 20 imagens de treinamento, indicando possível sobreajuste do modelo. Mesmo assim, o sistema mostrou promessa em termos de classificação de objetos. Alguns ajustes no conjunto de dados de imagens podem melhorar a capacidade do modelo de reconhecimento, uma vez que a quantidade de imagens mostrou-se insuficiente ao término da pesquisa.

Biografia do Autor

Gabriele Regina Pinaso , SENAI Félix Guisard College of Technology

Pós-Graduanda, Faculdade de Tecnologia SENAI Félix Guisard, Taubaté, São Paulo, Brasil

Leonardo Marcondes Figueiredo, SENAI Félix Guisard College of Technology

Pós-Graduando, Faculdade de Tecnologia SENAI Félix Guisard, Taubaté, São Paulo, Brasil

Orlando Rosa Júnior , SENAI Félix Guisard College of Technology

Prof. Ms., Faculdade de Tecnologia SENAI Félix Guisard, Taubaté, São Paulo, Brasil

Marco Rogério da Silva Richetto, SENAI Félix Guisard College of Technology

Doutorando, Prof. Faculdade de Tecnologia SENAI Félix Guisard, Taubaté, São Paulo, Brasil

Referências

Abdullah, A., & Yih, T. Y. (2014). Implementing Learning Contracts in a Computer Science Course as a Tool to Develop and Sustain Student Motivation to Learn. Procedia - Social and Behavioral Sciences, 123, 256–265.

Bilik, S., & Horak, K. (2022). SIFT and SURF based feature extraction for the anomaly detection. ArXiv, 2, 1-7.

Block, S. B., da Silva, R. D., Dorini, L. B., & Minetto, R. (2021). Inspection of Imprint Defects in Stamped Metal Surfaces Using Deep Learning and Tracking. IEEE Transactions on Industrial Electronics, 68(5), 4498–4507.

Calixto, J. M. T., Corrêa, M. S., & De Oliveira, M. A. (2022). A empregabilidade da inteligência artificial na automação do setor logístico para controle de carga. Episteme Transversalis, 13(2), 1–30.

Carou, D., Sartal, A., & Davim, J. P. (2022). Machine Learning and Artificial Intelligence with Industrial Applications: From Big Data to Small Data. Springer.

Cioffi, R., Travaglioni, M., Piscitelli, G., Petrillo, A., & De Felice, F. (2020). Artificial intelligence and machine learning applications in smart production: Progress, trends, and directions. Sustainability, 12(2), 1–26.

Cınar, Z. M., Nuhu, A. A., Zeeshan, Q., Korhan, O., Asmael, M., & Safaei, B. (2020). Machine learning in predictive maintenance towards sustainable smart manufacturing in industry 4.0. Sustainability, 12(19), 1–42.

Dalzochio, J., Kunst, R., Pignaton, E., Binotto, A., Sanyal, S., Favilla, J., & Barbosa, J. (2020). Machine learning and reasoning for predictive maintenance in industry 4.0: Current status and challenges. Computers in Industry, 123, 1–15.

Hymel, S., Banbury, C., Situnayake, D., Elium, A., Ward, C., Kelcey, M., Baaijens, M., Majchrzycki, M., Plunkett, J., Tischler, D., Grande, A., Moreau, L., Maslov, D., Beavis, A., Jongboom, J., & Reddi, V. J. (2023). Edge impulse: An mlops platform for tiny machine learning. ArXiv, 3, 1-15.

Jain, V., Wadhwani, K., & Eastman, J. K. (2023). Artificial intelligence consumer behavior: A hybrid review and research agenda. Journal of Consumer Behavior, 23(2), 676–697.

Klein, P., & Bergmann, R. (2018). Data generation with a physical model to support machine learning research for predictive maintenance.

LoPiano, S. (2020). Ethical principles in machine learning and artificial intelligence: Cases from the field and possible ways forward. Humanit Soc Sci Commun, 7(9), 1–7.

Mahesh, B. (2020). Machine learning algorithms a review. International Journal of Science and Research (IJSR), 9(1), 381–386.

Mery, D. (2020). Aluminum casting inspection using deep learning: A method based on convolutional neural networks. Journal of Nondestructive Evaluation, 39, 1–12.

Mezavila, S. A., Dias, A. A., & Franco, M. E. (2021). Aprendizagem de máquina aplicada a análise de batimentos cardíacos. Eixos Tech, 8(1), 1–14.

Mihigo, I. N., Zennaro, M., Uwitonze, A., Rwigema, J., & Rovai, M. (2022). On-device iot-based predictive maintenance analytics model: Comparing tinylstm and tinymodel from edge impulse. Sensors, 22(14), 1–20.

Pournader, M., Ghaderi, H., Hassanzadegan, A., & Fahimnia, B. (2021). Artificial intelligence applications in supply chain management. International Journal of Production Economics, 241, 1–16.

Raschka, S., Patterson, J., & Nolet, C. (2020). Machine learning in python: Main developments and technology trends in data science, machine learning, and artificial intelligence. Information, 11(4), 1–44.

Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2, 1–21.

Schulz, A., Stathatos, S., Shriver, C., & Moore, R. (2023). Utilizing online and open-source machine learning toolkits to leverage the future of sustainable engineering. ArXiv, 1, 1–13.

Sundaram, S., & Zeid, A. (2023). Artificial intelligence based smart quality inspection for manufacturing. Micromachines, 14(3), 1–19.

Tarantino, A. (2022). Smart Manufacturing: The lean six sigma way. John Wiley & Sons.

Taulli, T. (2020). Introdução à Inteligência Artificial: uma Abordagem Não Técnica. Novatec Editora.

Winfield, A. F. T., & Jirotka, M. (2018). Ethical governance is essential to building trust in robotics and artificial intelligence systems. Philosophical Transactions of the Royal Society A, 376(2133), 1–13.

Xuecai, X., Gui, F., Yujingyang, X., Zigi, Z., Ping, C., Baojun, L., & Song, J. (2019). Risk prediction and factors risk analysis based on ifoa-grnn and apriori algorithms: Application of artificial intelligence in accident prevention. Process Safety and Environmental Protection, 122, 169–184.