Ciência da Computação
URI permanente para esta coleçãohttps://repositorio.uricer.edu.br/handle/35974/196
Navegar
- Gerenciador de tarefas inteligente(2023) Barro, Bernardo Cenci; Madalozzo, Guilherme AfonsoO "Gerenciador de Tarefas Inteligente" é um aplicativo móvel projetado especificamente para melhorar a produtividade e eficiência no gerenciamento de tarefas pessoais e profissionais. Este aplicativo se destaca pela integração de tecnologias avançadas de inteligência artificial e reconhecimento de voz, proporcionando uma experiência de usuário única e intuitiva. Com uma assistente virtual incorporada, o aplicativo permite aos usuários gerenciar suas tarefas de maneira eficaz, oferecendo funcionalidades como criação, edição, visualização e exclusão de tarefas, além de um calendário integrado para o acompanhamento de prazos e eventos. O desenvolvimento do aplicativo envolveu um processo meticuloso de estudo, prototipagem, desenvolvimento e análise de resultados, com ênfase na aplicação de conceitos de assistentes virtuais e APIs de reconhecimento de voz. O objetivo principal é fornecer uma ferramenta prática e inovadora que contribua significativamente para o aumento da produtividade e eficiência dos usuários, tanto em suas vidas pessoais quanto profissionais.
- Treinamento de rede neural com YOLOV8 para reconhecimento de placas de trânsito(2023) Kolassa, Caroline Paula; Tortelli, Daniel MeninCom o crescimento constante da frota de veículos em todo o mundo, a segurança no trânsito tem se tornado uma preocupação cada vez mais recorrente. Dentre as causas de acidentes nesse meio, destaca-se a falta de atenção dos motoristas às sinalizações nas vias públicas, que podem levar a graves acidentes. Neste contexto, o presente trabalho propõe-se a treinar uma rede neural com o algoritmo de detecção de objetos YOLO na versão 8 para identificação de 15 placas de regulamentação e 2 de advertência. Para a rotulagem das imagens foi utilizado o framework Roboflow e para o treinamento do modelo a linguagem de programação Python. O treinamento e estudo realizado acerca do tema contribuiu para o crescimento do conhecimento da área que é tão importante para o desenvolvimento de tecnologias que podem salvar vidas no meio viário. A precisão média da rede treinada alcançou 69,9%, o mAP atingiu 65,3%, e o Recall ficou em 58,8%, cumprindo o objetivo de identificação proposto.