Visão computacional com Inteligência Artificial na segurança pública
DOI:
https://doi.org/10.34117/bjdv11n6-016Keywords:
YOLO, RT-DETR, detecção de pessoas, contagem de pessoas, segurança pública, PMPR, visão computacionalAbstract
A análise comparativa entre os modelos YOLO (You Only Look Once) e RT-DETR (Real-Time Detection Transformer) para detecção e contagem de pessoas em ambientes dinâmicos revela desafios significativos na implementação de sistemas de visão computacional para a segurança pública. Este estudo compara o desempenho de ambos os modelos em cenários operacionais da Polícia Militar do Paraná (PMPR), com foco em ambientes não controlados e complexos, particularmente em condições de baixa luminosidade. Através dos testes realizados em contextos reais de atuação policial, verificou-se que o RT-DETR, apresentou maior precisão nas detecções e contagem de pessoas mesmo sob condições adversas. Entretanto, apesar da precisão, observou-se que o tempo de processamento consiste numa limitação para uso prático especialmente nas atividades de polícia ostensiva, onde cada milissegundo a mais pode resultar em problemas para a equipe policial. O YOLO, por sua vez, demonstrou maior viabilidade em aplicações que exigem resposta rápida, característica crucial para as operações policiais, oferecendo um equilíbrio satisfatório entre velocidade e precisão. Os resultados sugerem que, para implementações práticas nos sistemas de segurança pública da PMPR, o YOLO apresenta vantagens significativas, especialmente considerando a relação custo-benefício e eficiência computacional necessárias para o policiamento ostensivo e preventivo efetuados pela PMPR.
References
LECUN, Y.; BENGIO, Y.; HAFFNER, P. Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, n. 86, p. 2278-2324, 1998.
CIRESAN, D. C.; MEIER, U.; MASCI, J.; SCHMIDHUBER, J. Redes neurais convolucionais flexíveis e de alto desempenho para classificação de imagens. In: ANAIS DA 22ª CONFERÊNCIA INTERNACIONAL CONJUNTA SOBRE INTELIGÊNCIA ARTIFICIAL (IJCAI 2011), 2011, Barcelona, Catalunha, Espanha, 16 a 22 de julho de 2011.
SCHERER, D.; MÜLLER, A.; BEHNKE, S. Evaluation of pooling operations in convolutional architectures for object recognition. In: DIAMANTARAS, K.; DUCH, W.; ILIADIS, L. S. (eds). Artificial Neural Networks – ICANN 2010. ICANN 2010. Lecture Notes in Computer Science, v. 6354. Berlin, Heidelberg: Springer, 2010.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., & Reed, S. (2016). SSD: Single Shot MultiBox Detector. European Conference on Computer Vision (ECCV).
Zhou, X., Wang, D., & Tang, X. (2019). Objects as Points. arXiv preprint arXiv:1904.07850.
N, A., Anusudha, K. (2024). Real time face recognition system based on YOLO and InsightFace. Multimedia Tools and Applications, 83, 31893–31910.
ACHIT, M.; YASSA, N.; BOUZIDA, A.; MAZARI, A.; FERGANI, O. Enhancing PV panel diagnosis: RT-DETR vs YOLO v8 for real-time hotspots detection. STUDIES IN ENGINEERING AND EXACT SCIENCES, v. 5, n. 2, p. e8390, 2024. Disponível em: <https://ojs.studiespublicacoes.com.br/ojs/index.php/sees/article/view/8390>.
GALANTE, P. F. EVOLUÇÃO DOS MÓDULOS MÓVEIS: APLICABILIDADE DE VANS INTELIGENTES COM TECNOLOGIAS DE RECONHECIMENTO FACIAL E DE PLACAS (LPR) NA PMPR. RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218, v. 6, n. 1, p. e616194, 2025. Disponível em: <https://recima21.com.br/index.php/recima21/article/view/6194>.
GIRSHICK, R. Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision, v. 2015 Inter, p. 1440–1448, 2015.
Lei Maria da Penha – Lei nº 11.340 - 2006. Disponível em:< http://www.planalto.gov.br/ccivil_03/_ato2004-2006/2006/lei/l11340.htm>.
LU, Z.; JIN, J.; MO, T.; ZHOU, J. Analysis of input LCR matched N-path filter. IEEE Transactions on Circuits and Systems I: Regular Papers, v. 63, n. 6, p. 795–805, 2016.
MARENGONI, M.; STRINGHINI, S. Tutorial: Introdução à Visão Computacional usando OpenCV. Revista de Informática Teórica e Aplicada, v. 16, n. 1, p. 125–160, 2010. Universidade Federal do Rio Grande do Sul.
NEHA, F. N. U.; BANSAL, A. Understanding the architecture of vision transformer and its variants: A review. 1st International Conference on Innovative Engineering Sciences and Technological Research, ICIESTR 2024 - Proceedings. Anais... , 2024. Institute of Electrical and Electronics Engineers Inc.
REDMON, J.; DIVVALA, S.; GIRSHICK, R.; FARHADI, A. You only look once: Unified, real-time object detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, v. 2016-Decem, p. 779–788, 2016.
WU, T. H.; WANG, T. W.; LIU, Y. Q. Real-Time Vehicle and Distance Detection Based on Improved Yolo v5 Network. 2021 3rd World Symposium on Artificial Intelligence, WSAI 2021. Anais... . p.24–28, 2021. Institute of Electrical and Electronics Engineers Inc.
ZHAO, Z. Q.; ZHENG, P.; XU, S. T.; WU, X. Object Detection with Deep Learning: A Review. IEEE Transactions on Neural Networks and Learning Systems, v. 30, n. 11, p. 3212–3232, 2019. IEEE.
ACHIT, M.; YASSA, N.; BOUZIDA, A.; MAZARI, A.; FERGANI, O. Enhancing PV panel diagnosis: RT-DETR vs YOLO v8 for real-time hotspots detection. STUDIES IN ENGINEERING AND EXACT SCIENCES, v. 5, n. 2, p. e8390, 2024. Disponível em: <https://ojs.studiespublicacoes.com.br/ojs/index.php/sees/article/view/8390>. .
BRUNET, O. Classify whether images contain either a dog or a cat. Disponível em: <https://obrunet.github.io//data science/dogs_vs_cats/>. Acesso em: 27/5/2025.
Lei 11.340.pdf. Brazil: 2006, 2006.
SAHA, S. A Comprehensive Guide to Convolutional Neural Networks-the ELI5 way. Disponível em: <https://medium.com/data-science/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53>. .
SWAPNA, B. MACHINE LEARNING Convolutional Neural Network | Deep Learning Heyy people! í ½í1♀️. Disponível em: <https://developersbreach.com/convolution-neural-network-deep-learning/>. .
