Utilize este identificador para referenciar este registo: https://hdl.handle.net/1822/76550

TítuloSistema EdgeAI para monitorização e notificação de diferentes graus de risco em contexto COVID-19
Autor(es)Melo, César Gonçalo Macedo
Orientador(es)Fonseca, Jaime C.
Silva, João Pedro Borges Araújo Oliveira
Palavras-chaveCOVID-19
Deep learning
Supervised learning
Object detection
Keypoint detection
Data2021
Resumo(s)Atualmente, a população atravessa uma situação epidemiológica e sanitária graves a uma escala mundial, provocada pela doença da Covid-19, originada pelo vírus SARS-CoV-2. Conhecida pela grande velocidade de progragação e facilidade de transmissão, tem conduzido a efeitos sociais, económicos e políticos devastadores em todo o mundo. A elevada taxa de pessoas assintomáticas à doença, isto é, que a têm presente no seu organismo, mas que não apresentam quaisquer sintomas, faz com que por vezes existam descuidos e atitudes inconscientes em relação ao cumprimento das regras impostas para o controlo da pandemia. Para minimizar as situações de risco e de possível exposição negligente ao vírus, existe a necessidade de desenvolver metodologias que permitem monitorizar o comportamento das pessoas em espaços públicos e superfícies comerciais. Desta forma, o objetivo desta dissertação passa pela aplicação de técnicas de Machine Learning (ML) capazes de identificar fatores e comportamentos de risco por parte das pessoas que possam proporcionar o aumento de contágios e propagação do vírus dentro da comunidade. Com recurso a algoritmos de Deep Learning (DL) integrados em um sistema de EdgeAI, pretende-se monitorizar a presença ou ausência de máscara por parte das pessoas em espaços onde a sua utilização é obrigatória, bem como executar de forma pontual medições de temperatura bastante precisas como meio de identificação de pessoas em possível estado febril. Esta dissertação pode ser dividida em três capítulos principais: Deteção de máscaras em ambiente urbano, Deteção de temperatura febril e Construção de Protótipo. No módulo Deteção de máscaras em ambiente urbano, são apresentadas as técnicas e recursos utilizados para a geração do dataset que serviu de base ao treino de algoritmos de DL para deteção de presença ou ausência de máscaras, bem como a implementação e avaliação dos algoritmos selecionados. Este dataset é constituído tanto por imagens Red Green Blue (RGB) reais, como também por imagens RGB sintéticas, de forma a aumentar a quantidade e variabilidade dos dados. No módulo Deteção de temperatura febril, são igualmente enunciadas as metodologias utilizadas na geração de um dataset para deteção dos pontos faciais onde a temperatura é medida com maior precisão, bem como estabelecido o comparativo entre os demais algoritmos utilizados. Neste caso, o dataset é constituído por imagens termográficas, a partir da agregação de datasets já existentes bem como de um dataset originado a partir da recolha de imagens no laboratório onde esta dissertação foi desenvolvida. Por último, no módulo Construção de Protótipo, são apresentadas as especificações tecnológicas e funcionais que constituem o protótipo construído no âmbito desta dissertação. O sistema final foi implementado na plataforma embebida NVIDIA Jetson Xavier NX, que detém a capacidade de aceleração da performance de algoritmos de Artificial Intelligence (AI). Neste sistema foi desenvolvida uma interface gráfica de uso fácil e interativo para o utilizador, onde estão presentes as diferentes inferências associadas à aplicação dos algoritmos desenvolvidos nos módulos anteriores, com base nas imagens recolhidas de câmaras de vigilância e uma câmara termográfica, onde será monitorizada a presença ou ausência de máscara e medição de temperatura, respetivamente. Para a componente RGB (deteção de máscaras) foi utilizado o modelo mais leve da versão cinco da arquitetura You Only Look Once (YOLO), onde foi atingida uma precisão média de 82.4% entre as classes a detetar e um tempo de inferência no sistema embebido de 0.032 segundos. Para a componente termográfica foi utilizada uma arquitetura que contém como a camada de extração de características a rede Resnet-50, e posteriores camadas de desconvolução responsáveis pela extração dos pontos faciais pretendidos, cuja precisão média foi de 78.7%.
Currently, the population is going through a serious epidemiological and health situation on a world scale, due to the Covid-19 disease, caused by the SARS-CoV-2 virus. Known for its huge speed of propagation and easy transmission, it has been responsable for a devastating social, economic and political consequences all over the world. The high rate of asymptomatic persons that has the disease, but do not feel any symptons, sometimes results in careless and unconscious behaviors related to the rules that were imposed to control the pandemic. To minimize the risk and possible negligent exposure to the virus, there is a need associated to the development of methodologies to control the people’s behavior in public spaces and commercial surfaces. Therefore, the main goal of this dissertation involves the application of ML techniques, capable of identify risky factors and behaviors from the people’s actions that can provide the increase of the number of infections and the spread of the virus in the community. Using DL algorithms integrated in an EdgeAI system, the main goals are the control of the presence or absence of mask by people in spaces where its use is mandatory, as well as to perform very accurate temperature measurements to identify people with high body temperature. This dissertation can be divided in three main chapters: Detection of masks in urban environments, Temperature measurements and Prototype Construction. In the detection of masks in urban environments module, is presented the techniques and resources used to generate the dataset that served as the base for the train of DL algorithms, as well as the implementation and evaluation of the selected algorithms. This dataset was made up with the use of real and synthetic RGB images, in order to increase the amount and variability of the data. In the temperature measurements module is shown the methodologies used to generate the dataset for the detection of the facial points where the measure of the temperature is made with more accuracy, and is presented the comparison between all the trained algorithms for this task. In this case, the dataset is formed by thermal images, based on the aggregation of existing datasets, and images collected in the laboratory where this dissertation was developed. Finally, in the prototype construction module, are shown the technological and functional specifications that form the prototype built under this dissertation. The final system was developed on the embedded platform called NVIDIA Jetson Xavier NX, which has the ability to accelerate the performance of AI algorithms. In this system was developed a graphical interface with easy interaction for the user, where the inferences from the different algorithms developed in the previous models are implemented, based on images collected from surveillance and thermal cameras, where are monitorized the tasks related to the presence or absence of mask and temperature measurement, respectively. For the RGB component, it was selected the lighter version of the YOLOv5 architecture, where was achieved an average accuracy of 82.4% between the associated classes, and a inference time of 0.032 seconds in the embedded system. For the thermal component, the used model contains the Resnet-50 network as backbone, responsable for the feature extraction task, and then are used deconvolution layers for the extraction of the desired facial points. This model achieved an average precision of 78,7%.
TipoDissertação de mestrado
DescriçãoDissertação de mestrado integrado em Engenharia Eletrónica Industrial e Computadores
URIhttps://hdl.handle.net/1822/76550
AcessoAcesso aberto
Aparece nas coleções:BUM - Dissertações de Mestrado

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
74783-Tese_CésarMelo_final.pdf14,35 MBAdobe PDFVer/Abrir

Partilhe no FacebookPartilhe no TwitterPartilhe no DeliciousPartilhe no LinkedInPartilhe no DiggAdicionar ao Google BookmarksPartilhe no MySpacePartilhe no Orkut
Exporte no formato BibTex mendeley Exporte no formato Endnote Adicione ao seu ORCID