Rede neural para analise de borda livre de embarcações
.png)
Desenvolvi com sucesso uma Rede Neural Convolucional (CNN) que tem a capacidade de classificar o estado de carga de embarcações em três categorias distintas: "Leve", "Carregado" e "Sobrecarregado". Essa classificação é realizada com base em imagens das embarcações que incluem o marcador de referência conhecido como "disco de plimsoll". O disco de plimsoll é uma marcação crítica em embarcações que ajuda a determinar a margem de segurança da borda livre, garantindo assim a segurança e a eficiência das operações de transporte marítimo.
Este sistema de classificação automatizada proporciona uma solução eficiente e precisa para avaliar o estado de carga das embarcações, reduzindo a dependência de avaliações manuais, que podem ser demoradas e sujeitas a erros humanos. Além disso, a capacidade da CNN de processar rapidamente grandes volumes de imagens contribui para uma análise mais eficaz do estado de carga em tempo real, o que é essencial para a gestão eficiente de operações de transporte marítimo.
- Python 3.8.0
- Tensorflow 2.12.0
- Numpy 1.23.5
- Matplotlib 3.7.1
Treinamento
Caso você queira adicionar mais imagens no banco de dados, basta adicionar na pasta treinamento e depois treinar um modelo novo utilizando o arquivo chamado 'Rede Neural.ipynb'
Modelo treinado
Na pasta inicial do projeto, existe um arquivo chamado cargosecurity.pkl que é o modelo que teve como resultado 97.05% de precisão. Nesse sentido, basta utilizar a biblioteca 'pickle' para carregar o modelo e utilizar na correspondente.
Basta adicionar a foto de uma embarcação que possua o disco de plimsoll e ele vai classificar a embarcação de acordo com o seu estado de carga.
Bibliotecas utilizadas
- Gustavo Tocantins - Desenvolvedor Geral - Gustavo Tocantins
- Arthur Lima - *Desenvolvedor - Arthur Lima