3 de julho de 2024
Descubra como a IA aprimora o gerenciamento de tráfego com o rastreamento de placas, melhorando a segurança rodoviária, reduzindo o congestionamento e aplicando as leis de trânsito.
Com mais de 1,47 bilhão de veículos nas estradas hoje, rastrear e gerenciar o tráfego de forma eficiente se tornou um desafio cada vez mais complexo. Os métodos tradicionais lutam para acompanhar o volume e a dinâmica do tráfego moderno. É aqui que a Inteligência Artificial (IA) entra em cena, como um divisor de águas para a gestão do tráfego e a tecnologia de segurança rodoviária, usando soluções em tempo real, orientadas por dados, que aumentam a eficiência e a segurança. De fato, estudos mostram que os sistemas de gerenciamento de tráfego alimentados por IA podem reduzir os atrasos no tráfego em até 25%, melhorando significativamente os tempos de deslocamento e reduzindo o congestionamento.
Neste blog, exploraremos o impacto da IA na gestão de tráfego, com foco nas especificidades da deteção de matrículas. Examinaremos os usos atuais, os benefícios, os desafios e destacaremos aplicações do mundo real que demonstram o potencial da IA para criar sistemas de monitorização de tráfego mais inteligentes, seguros e eficientes.
As aplicações da IA na gestão de tráfego são vastas e variadas. Neste blog, vamos nos concentrar principalmente em como a visão computacional, um campo especializado da IA que analisa imagens, pode melhorar significativamente a gestão de tráfego.
Uma das aplicações mais atraentes da IA na gestão de tráfego é o reconhecimento de placas de veículos. Ao aproveitar modelos avançados de IA e câmeras de alta resolução, podemos ler com precisão os números das placas dos veículos que passam, contribuindo para a tecnologia de segurança rodoviária, garantindo que os veículos cumpram as leis e regulamentos de trânsito.
Como é que isto funciona? Os modelos de visão por computador são primeiro treinados para detect as matrículas dos veículos que passam. Assim que uma matrícula é detectada, o modelo lê e extrai o número da matrícula, permitindo uma identificação eficiente do veículo. No backend, esta informação é cruzada com extensas bases de dados que armazenam detalhes do veículo, permitindo aos sistemas de seguimento de veículos identificar e track com precisão o veículo especificado.
Um modelo notável para a construção de sistemas de deteção de placas é o Ultralytics YOLOv8. YOLOv8 é um modelo de visão computacional topo de gama que se destaca na deteção de objectos em tempo real, classificação, segmentação de instâncias, estimativa de pose e pode ser adaptado a inúmeras aplicações, incluindo a deteção de matrículas.
Antes de mais, os Sistemas de Deteção de Matrículas são amplamente utilizados pelas agências de aplicação da lei. Estes sistemas são utilizados principalmente para emitir multas por excesso de velocidade, não utilização do cinto de segurança e utilização de telemóveis durante a condução. Além disso, esta abordagem é utilizada para melhorar a capacidade de track e recuperar veículos roubados.
Por exemplo, a Driver and Vehicle Standards Agency (DVSA), em Inglaterra, utiliza a tecnologia de reconhecimento automático de matrículas (ANPR) a nível local, regional e nacional para detect, dissuadir e impedir os operadores que violam a lei.
Utilizando modelos avançados de IA como o YOLOv8, estes sistemas podem detect com precisão estas infracções e capturar a matrícula do veículo. O modelo YOLOv8 é excelente na deteção de objectos em tempo real, garantindo que as autoridades possam identificar rapidamente e com precisão as infracções e enviar ao condutor a multa e o bilhete adequados.
Esses modelos geralmente seguem a abordagem de Reconhecimento Automático de Placas de Veículos (ANPR). Para entender como esses modelos de detecção de IA funcionam, imagine ensinar uma criança a reconhecer diferentes raças de cães. Você mostraria a ela muitas fotos e apontaria as características específicas que diferenciam um Labrador de um Poodle. Da mesma forma, esses modelos de IA são alimentados com inúmeras imagens rotuladas de veículos e suas placas, aprendendo a identificar e lembrar as características únicas de cada placa. Esse processo de treinamento permite que os modelos identifiquem e reconheçam diferentes números e letras nas placas com precisão.
Outra aplicação valiosa da visão computacional na gestão de tráfego é a gestão inteligente de estacionamento. Utilizando modelos como o YOLOv8, estes sistemas podem identificar com precisão lugares de estacionamento vazios e guiar os condutores até eles, optimizando a utilização do espaço e reduzindo o tempo de procura. As capacidades de deteção em tempo real do YOLOv8 garantem uma gestão eficiente dos recursos de estacionamento.
A detecção de placas também auxilia nesse processo. Quando um veículo se aproxima da instalação de estacionamento, câmeras de alta resolução capturam e reconhecem o número da placa usando modelos avançados de IA. O sistema então abre o portão para veículos autorizados, garantindo uma entrada tranquila. Além disso, o sistema calcula a taxa de estacionamento com base na duração da estadia e processa automaticamente o pagamento usando o método pré-registrado do proprietário do veículo, eliminando a necessidade de pagamento manual em quiosques.
Os sistemas de cobrança de pedágio cobram taxas pelo uso de estradas, pontes ou túneis específicos, principalmente para financiar sua construção, manutenção e operação. A cobrança automatizada de pedágios melhora o fluxo de tráfego, eliminando a necessidade de cada veículo parar e pagar manualmente. Isso auxilia na otimização do tráfego e na redução do congestionamento. Câmeras especializadas leem o número da placa de cada carro que passa e emitem automaticamente o pedágio especificado, tornando o processo mais eficiente e contínuo.
A lista de aplicações continua a crescer, uma vez que o uso da deteção de matrículas pode servir para um número crescente de propósitos.
Como vimos, a Visão de IA oferece uma vasta gama de benefícios, mas é essencial reconhecer alguns desafios gerais que são normalmente associados à gestão do tráfego.
Agora, vamos concentrar nossa atenção nos desafios específicos no reconhecimento de placas de veículos.
Embora a gestão do tráfego tenha melhorado significativamente com a introdução da IA, sempre há espaço para mais avanços. À medida que a tecnologia continua a evoluir, podemos esperar vários aprimoramentos, como a integração de sistemas de gestão de tráfego orientados por IA em infraestruturas urbanas inteligentes mais amplas, permitindo uma comunicação perfeita entre vários sistemas urbanos.
Espera-se também que os futuros modelos de IA se tornem ainda mais eficientes e precisos na deteção e reconhecimento de matrículas e também estarão mais bem equipados para lidar com condições climáticas adversas, como chuva, nevoeiro e neve, garantindo uma deteção confiável, mesmo em ambientes menos ideais.
O domínio da visão por computador registou avanços notáveis nos últimos anos, com o lançamento de novos modelos que superam significativamente os seus antecessores. Estas inovações permitiram uma vasta gama de aplicações na gestão do tráfego, desde a deteção de matrículas a sistemas de estacionamento inteligentes. Utilizando modelos de ponta como o YOLOv8, esses sistemas oferecem maior precisão, processamento em tempo real e desempenho robusto, mesmo em condições desafiadoras.
À medida que a IA continua a evoluir, podemos esperar soluções ainda mais sofisticadas e integradas para a gestão do tráfego. Estes avanços não só melhorarão a eficiência e a segurança, como também contribuirão para ambientes urbanos mais inteligentes e sustentáveis. O futuro da IA na gestão do tráfego é brilhante, prometendo melhorias contínuas que redefinirão a forma como navegamos e gerimos as nossas cidades.
Interessado no futuro da visão computacional? Para obter mais informações sobre as mais recentes tecnologias de visão computacional, pode explorar os documentos do Ultralytics e consultar os seus projectos no GitHub do Ultralytics e no GitHub do YOLOv8 . Para obter mais informações sobre aplicações de IA em vários sectores, poderá achar particularmente úteis as páginas de soluções em Self-Driving Cars e Manufacturing.
