RECONHECIMENTO DE CÉDULAS DO REAL A PARTIR DE IMAGENS USANDO CNN PARA AUXILIAR DEFICIENTES VISUAIS

Autores

  • Alisson Pereira Anjos
  • Francisco de Assis da Silva Universidade do Oeste Paulista - UNOESTE
  • Leandro Luiz de Almeida Universidade do Oeste Paulista - UNOESTE
  • Danillo Roberto Pereira Universidade do Oeste Paulista - UNOESTE
  • Mário Augusto Pazoti Universidade do Oeste Paulista - UNOESTE
  • Almir Olivette Artero Universidade Estadual Paulista - UNESP
  • Marco Antonio Piteri Universidade Estadual Paulista - UNESP

Palavras-chave:

Reconhecimento de cédulas monetárias, CNN, Rede Neural, Cédulas monetárias Brasileiras

Resumo

O reconhecimento de cédulas de Real através do toque sempre foi um problema encontrado por deficientes visuais. O avanço da tecnologia torna possível resolver este problema computacionalmente. Neste trabalho, é apresentado um método para realizar o reconhecimento de cédulas de Real a partir de imagens utilizando algoritmos de visão computacional e inteligência artificial. Os resultados mostram que o custo computacional e a taxa de reconhecimento são aceitáveis para uso em ambientes não controlados. O tempo de processamento para o reconhecimento de cada cédula do Real foi de 200 milissegundos, com acurácia de 91,67%.

Downloads

Não há dados estatísticos.

Referências

ABADI, M. Tensorflow: Large-scale Machine Learning on Hererogeneous Distributed Systems. Distributed, Parallel and Cluster Computing, p. 1-19, 2016.

AGARAP, A. F. Deep Learning using Rectified Linear Units (ReLU). Neural and Evolutionary Computing, v. 1, 2018.

ARAÚJO, F. H. D.; CARNEIRO, A. C.; SILVA, R. V.; MEDEIROS, F. N. S.; USHIZIMA, D. M. Redes Neurais Convolucionais com Tensorflow: Teoria e Prática. In: III ESCOLA REGIONAL DE INFORMÁTICA DO PIAUÍ. Anais – ERI 2017, v. 1, n. 1, Piauí, p. 382-406, 2017.

Estatísticas da deficiência visual. 2010. Disponível em: https://www.fundacaodorina.

org.br/a-fundacao/deficiencia-visual/estatisticas-da-deficiencia-visual. Acessado em: 10 abr. 2019.

GHELLERE, J. S. Detecção de objetos em imagens por meio da combinação de descritores locais e classificadores. Trabalho de Graduação, Departamento de Computação, Universidade Tecnológica Federal do Paraná, Medianeira, Brasil, 2015.

GUO, T.; DONG, J.; LI, H.; GAO, Y. Simple convolutional neural network on image classification. In: IEEE 2ND INTERNATIONAL CONFERENCE ON BIG DATA ANALYSIS (ICBDA), Beijing, China, 2017.

HAYKIN, S. Neural Networks and Learning Machines. McMaster University, Ontario Canada, 3rd ed., 2009.

HOLLEMANS, M. MobileNet version 2, 2018. Disponível em: http://machinethink.net/blog/mobilenet-v2. Acessado em: 11 nov. 2018.

HUANG, J. Tensorflow detection model zoo. 2016. Disponível em: https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md. Acessado em: 12 jan. 2019.

IDE, H.; KURITA, T. Improvement of learning for CNN with ReLU activation by sparse regularization. In: IEEE INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), Anchorage, AK, USA, 2017.

ImageNet. 2018. Disponível em: http://www.image-net.org. Acessado em 10 jan. 2019.

KARN, U. An Intuitive Explanation of Convolutional Neural Networks, 2016. Disponível em: https://ujjwalkarn.me/2016/

/11/intuitive-explanation-convnets. Acessado em: 17 nov. 2018.

KARPATHY, A. Transfer learning and fine-tuning convolutional neural networks. 2015. Disponível em: http://cs231n.github.io/transfer-learning. Acessado em: 14 set. 2018.

KARPATHY, A. CS231n Convolutional Neural Networks for Visual Recognition. Disponível em: http://cs231n.github.io/convolutional-networks. Acessado em: 15 jan. 2019.

LECUN, Y.; BOSER, B.; DENKER, J. S.; HENDERSON, D.; HOWARD, R. E.; HUBBARD, W.; JACKEL, L. D. Backpropagation applied to handwritten zip code recognition. Neural Computation, v.1, n. 4, p. 541-551, 1989.

LECUN, Y.; BOTTOU, L.; BENGIO, Y.; HAFFNER, P. Gradient-based learning applied to document recognition. vol. 86, no. 11, Proceedings of the IEEE, p. 2278-2324, 1998.

LECUN, Y. Lenet-5, convolutional neural networks. 2015. Disponível em: http://yann.lecun.com/exdb/lenet. Acessado em: 06 set. 2018.

MOMBACH, J.G. Proposta de aplicativo móvel para identificação de cédulas de real por pessoas com deficiência visual. Dissertação (Mestrado em Engenharia Elétrica), Universidade Federal do Pampa, Alegrete, Brasil, 2015.

OLIVEIRA, H. S. Redes Neurais Convolucionais para Classificação de Expressões Faciais de Emoções. Trabalho de Graduação, Departamento de Computação, Universidade Tecnológica Federal de Roraima, Medianeira, Brasil, 2017.

PRASAD, P. Data Augmentation Techniques in CNN using Tensorflow. 2017. Disponível em: https://medium.com/ymedialabs-innovation/data-augmentation-techniques-in-cnn-using-tensorflow-371ae43d5be9. Acessado em: 12 jan. 2019.

Revista Época. Como os cegos diferenciam as notas de dinheiro? 2009. Disponível em: http://revistaepoca.globo.com/Revista/Epoca/0,,EMI103120-15223,00-COMO+OS+CEGOS+DIFERENCIAM+AS+NOTAS+DE+DINHEIRO.html. Acessado em: 08 nov. 2018.

SÁ, E. D. Informática para as pessoas cegas e com baixa visão, 2006. Disponível em: http://www.bancodeescola.com/

info_para_cegos.htm. Acesso em: 20 maio 2018.

SANDLER, M.; HOWARD, A.G.; ZHU, M.; ZHMOGINOV, A.; CHEN, L. MobileNetV2: Inverted Residuals and Linear Bottlenecks. Computer Vision and Pattern Recognition, 2018.

SILVA, C.; WELFER, D.; GIODA, F. P.; DORNELLES, C. Cattle Brand Recognition using Convolutional Neural Network and Support Vector Machines. IEEE Latin America Transactions, v. 15, n. 2, p. 310-316, 2017.

SRIVASTAVA, N.; HINTON, G.; KRIZHEVSKY, A.; SUTSKEVER, I.; SALAKHUTDINOV, R. Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, n. 15, p. 1929-1958, 2014.

TensorFlow. 2018. Disponível em: https://www.tensorflow.org. Acessado em: 20 out. 2018.

VEQUETINE, V.; ZANCHETTA, M.; BRAGA, J. Método para auxiliar o reconhecimento de cédulas monetárias pelos deficientes visuais. 2013. Faculdade de Computação (FACOM). Disponível em: www.lbd.dcc.ufmg.br/

colecoes/wim/2013/0024.pdf. Acessado em: 18 jan. 2019.

WU, J. Introduction to Convolutional Neural Networks. 2017. National [Online]. Key Lab for Novel Software Technology, Nanjing University, China. Disponível em: https://cs.nju.edu.cn/wujx/paper/CNN.pdf. Acessado em: 13 jan. 2019.

WANG, F.; CHENG, J.; LIU, W.; LIU, H. Additive margin softmax for face verification. IEEE Signal Processing Letters, v. 25, p. 926-930, 2018.

YANG, J.; LI, J. Application of deep convolution neural network. In: IEEE 14TH INTERNATIONAL COMPUTER CONFERENCE ON WAVELET ACTIVE MEDIA TECHNOLOGY AND INFORMATION PROCESSING (ICCWAMTIP), Chengdu, China, 2017.

Downloads

Publicado

2021-09-13

Como Citar

Anjos, A. P., Silva, F. de A. da, Almeida, L. L. de, Pereira, D. R., Pazoti, M. A., Artero, A. O., & Piteri, M. A. (2021). RECONHECIMENTO DE CÉDULAS DO REAL A PARTIR DE IMAGENS USANDO CNN PARA AUXILIAR DEFICIENTES VISUAIS. Colloquium Exactarum. ISSN: 2178-8332, 13(1), 77–88. Recuperado de https://revistas.unoeste.br/index.php/ce/article/view/4139

Artigos mais lidos pelo mesmo(s) autor(es)

1 2 3 4 5 6 > >>