O Potencial do Edge Impulse para Aprimorar o Reconhecimento de Objetos por Meio de Aprendizado de Máquina
DOI:
https://doi.org/10.5433/1679-0375.2024.v45.49197Palavras-chave:
inteligência artificial, aprendizado de máquina, reconhecimento de objetos, aplicativos low-codeResumo
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.
Downloads
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. DOI: https://doi.org/10.1016/j.sbspro.2014.01.1422
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. DOI: https://doi.org/10.1109/TIE.2020.2984453
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. DOI: https://doi.org/10.1007/978-3-030-91006-8
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. DOI: https://doi.org/10.3390/su12020492
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. DOI: https://doi.org/10.3390/su12198211
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. DOI: https://doi.org/10.1016/j.compind.2020.103298
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. DOI: https://doi.org/10.1002/cb.2233
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. DOI: https://doi.org/10.1057/s41599-020-0501-9
Mahesh, B. (2020). Machine learning algorithms a review. International Journal of Science and Research (IJSR), 9(1), 381–386. DOI: https://doi.org/10.21275/ART20203995
Mery, D. (2020). Aluminum casting inspection using deep learning: A method based on convolutional neural networks. Journal of Nondestructive Evaluation, 39, 1–12. DOI: https://doi.org/10.1007/s10921-020-0655-9
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. DOI: https://doi.org/10.18406/2359-1269v8n12021191
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. DOI: https://doi.org/10.3390/s22145174
Pournader, M., Ghaderi, H., Hassanzadegan, A., & Fahimnia, B. (2021). Artificial intelligence applications in supply chain management. International Journal of Production Economics, 241, 1–16. DOI: https://doi.org/10.1016/j.ijpe.2021.108250
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. DOI: https://doi.org/10.3390/info11040193
Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2, 1–21. DOI: https://doi.org/10.1007/s42979-021-00592-x
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. DOI: https://doi.org/10.18260/1-2--44595
Sundaram, S., & Zeid, A. (2023). Artificial intelligence based smart quality inspection for manufacturing. Micromachines, 14(3), 1–19. DOI: https://doi.org/10.3390/mi14030570
Tarantino, A. (2022). Smart Manufacturing: The lean six sigma way. John Wiley & Sons. DOI: https://doi.org/10.1002/9781119846642
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. DOI: https://doi.org/10.1098/rsta.2018.0085
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. DOI: https://doi.org/10.1016/j.psep.2018.11.019
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Gabriele Regina Pinaso , Leonardo Marcondes Figueiredo, Orlando Rosa Júnior , Marco Rogério da Silva Richetto
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os Direitos Autorais para artigos publicados nesta revista são de direito do autor. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais. A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário. Nesses casos, os artigos, depois de adequados, deverão ser submetidos a nova apreciação. As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional.
