Aplicativo Android para identificação de placas de veículos para fiscalização de trânsito
DOI:
https://doi.org/10.5935/jetia.v8i38.836Resumo
A fiscalização de trânsito está presente no cotidiano dos motoristas. No entanto, esse processo fiscalizador muitas vezes se apresenta de forma ineficiente e arcaica, utilizando papel e caneta para anotar as infrações cometidas, principalmente em regiões carentes de tecnologia de ponta. Assim, o objetivo deste trabalho é apresentar uma possível solução para este problema, com o desenvolvimento de um aplicativo protótipo que permita ao usuário realizar essas inspeções de forma digital. A metodologia utilizada inclui uma visita ao Centro de Cooperação da Cidade (CCC) em Manaus, Amazonas, para analisar o cenário atual do sistema de fiscalização de trânsito da cidade, bem como a determinação de métodos para integrar as informações entre o aplicativo desenvolvido e o banco de dados do PRODAM . Ao final da pesquisa e desenvolvimento, verifica-se o significativo potencial de auxílio aos agentes de trânsito, e apresenta direcionamento para futuras pesquisas na área para aprimorar o que foi desenvolvido neste trabalho.
Downloads
Referências
A. E. R. Cannel; P. A. Gold, “Reduzindo Acidentes: O papel da fiscalização de trânsito e do treinamento de motoristas”. 1º.ed. Washington: Banco Interamericano de Desenvolvimento, 2001. Available in: <https://books.google.com.br/books?hl=pt-BR&lr=&id=MwXrmVo5_K0C&oi=fnd&pg=PP7&dq=fiscaliza%C3%A7%C3%A3o+de+tr%C3%A2nsito&ots=0Uak0H06_O&sig=rhnpWgHLFjjFaTty7za5GnJb4AQ#v=onepage&q&f=false>. Access in August 22, 2022.
P. S. Weber; E. M. Luz; R. J. Lunkes; D. Schnorrenberger, “Análise da Aplicação do Sistema OCR: um Estudo de Caso entre um Porto Brasileiro e um Porto Europeu”. Congresso Nacional de Desempenho Portuário, 2016. Available in: <https://2016.cidesport.com.br/sites/default/files/a52193.pdf> Access in Augusto 22, 2022.
J. A. de Souza, “Reconhecimento de padrões usando indexação recursiva”. Tese (Doutorado em Engenharia de Produção) – Universidade Federal de Santa Catarina. Santa Catarina, p. 8-9. 1999.
P. R. Meneses; T. de Almeida; A. N. Santa Rosa; E. e Sano; E. B. de Souza; G. M. Baptista; R. S. Brites. “Introdução ao Sensoriamento de Imagens por Processamento Remoto”. Editora UnB, 2012.
R. C. Gonzales; R. E. Woods. “Processamento de imagens digitais”. Edgard Blücher, 2000.
R. Mithe; S. Indalkar; N. Divekar. “Optical Character Recognition”. International Journal of Recent Technology and Engineering (IJRTE), India, v. 2, nº 1, pg. 72-75, march. 2013.
G. Bonaccorso. “Machine learning algorithms”. Packt Publishing Ltd, 2017.
V. Nasteski. “An overview of the supervised machine learning methods”. Horizons. b, v. 4, p. 51-62, 2017.
D. Calvo. "Supervised Learning". March 23, 2019. Available in: <https://www.diegocalvo.es/en/supervised-learning>. Access in: April 6, 2022.
M. Harrison. “Machine Learning–Guia de Referência Rápida: Trabalhando com dados estruturados em Python”. Novatec Editora, 2019.
JavaTPoint. "Regression vs. Classification in Machine Learning". 2022. Available in: <https://www.javatpoint.com/regression-vs-classification-in-machine-learning>. Access in: April 6, 2022.
H. G. Santos. “Comparação da performance de algoritmos de machine learning para a análise preditiva em saúde pública e medicina”. Tese de Doutorado. Universidade de São Paulo. 2018.
Z. Ghahramani. “Unsupervised learning”. In: Summer school on machine learning. Springer, Berlin, Heidelberg, 2003. p. 72-112.
T. S. Madhulatha. “An overview on clustering methods”. arXiv preprint arXiv:1205.1117. 2012.
A. A. Marcos; M. Yamada; A. Kimura; T. Iwata. “Clustering-based anomaly detection in multi-view data”. In: Proceedings of the 22nd ACM international conference on Information & Knowledge Management. p. 1545-1548. 2013.
L. V. D. Maaten; E. Postma; J. V. D. Herik. “Dimensionality reduction: a comparative”. J Mach Learn Res, v. 10, n. 66-71, p. 13, 2009.
M. Helms; S. V. Ault; G. Mao; J. Wang. “An overview of Google Brain and its applications”. Proceedings of the 2018 International Conference on Big Data and Education. p. 72-75. 2018.
X. Zhu; A. B. Goldberg. “Introduction to semi-supervised learning”. Synthesis lectures on artificial intelligence and machine learning, v. 3, n. 1, p. 1-130, 2009.
S. Jain. "Introduction to Pseudo-Labelling: A Semi-Supervised learning technique". September 21, 2017. Available in: <https://www.analyticsvidhya.com/blog/2017/09/pseudo-labelling-semi-supervised-learning-technique>. Access in: April 6, 2022
M. F. Balcan; A. Blum; P. P. Choi; J. Lafferty; B. Pantano; M. R. Rwebangira; X. Zhu. “Person identification in webcam images: An application of semi-supervised learning”. ICML 2005 Workshop on Learning with Partially Classified Training Data. p. 6. 2005.
L. P. Kaelbling; M. L. Littman; A. W. Moore. “Reinforcement learning: A survey”. Journal of artificial intelligence research, v. 4, p. 237-285, 1996.
M. Sugiyama. “Statistical reinforcement learning: modern machine learning approaches”. CRC Press, v. 1, p. 3-7, 2015.
W. Martins; U. R. Afonseca; L. E. Nalini; V. M. Gomes. “Tutoriais inteligentes baseados em aprendizado por reforço: concepção, implementação e avaliação empírica”. In: Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE). p. 550-559. 2007.
L. Moura; G. Camargo. “Impacto econômico e social do Android no Brasil”. Bain & Company, [S. l.], p. 4-6, 21 set. 2020.
Acrítica. “Manaus tem um veículo para cada 2,6 habitantes”. Manaus, 15 de janeiro de 2022. Available in: <https://www.acritica.com/opiniao/manaus-tem-um-veiculo-para-cada-2-6-habitantes-1.218471>. Access in: April 7, 2022
J. V. C. Moura; A. B. Silva; A. A. M. Almeida; A. K. Q. Alves. “Utilização de aplicativo para abordar as características gerais das aves paraibanas”. South American Journal of Basic Education, Technical and Technological, v. 7, n. 2, p. 799-815, 2020.
Android Developers. Bumblebee | 2021.1.1 Patch 2. [S.I.]. “Meet Android Studio”, 2022. Available in: <https://developer.android.com/studio/intro>. Access in: April 5, 2022.
D. Prasanna. “Dependency injection: design patterns using spring and guice”. Simon and Schuster, 2009.
D. Hermes; N. Mazloumi. “Data Access with SQLite and Data Binding”. Building Xamarin. Forms Mobile Apps Using XAML. Apress, Berkeley, CA. p. 347-415. 2019.
R. T. Yunandar; D. Hariyanto; M. Fahmi. “Penerapan Lokal Basis Data Android Room Database (Studi Kasus: Aplikasi Ekspedisi)”. Jurnal Akrab Juara, v. 6, n. 2, p. 115-125, 2021.
M. P. Gonçalves. “MLKit Text Recognition Evaluation”. Faculdade de engenharia da universidade do porto, p. 17, 2022.
M. Jokel. “Implementing a TensorFlow-Slim based Android app for image classification”. Fakultat fur Informatik der Technischen Universitat Munchen. p. 23, 2020.
