Logo do repositório

Percorrer por data de Publicação, começado por "2025-05-29"

Filtrar resultados por ano ou mês
A mostrar 1 - 2 de 2
  • Portable, multi-task, on-the-edge and low-cost computer vision framework based on deep learning: Precision agriculture application
    Publication . Assunção, Eduardo Timóteo; Proença, Hugo Pedro Martins Carriço; Gaspar, Pedro Miguel de Figueiredo Dinis Oliveira
    Precision agriculture is a new concept that has been introduced worldwide to increase production, reduce labor and ensure efficient management of fertilizers and irrigation processes. Computer vision is an essential component of precision agriculture and plays an important role in many agricultural tasks. It serves as a perceptual tool for the mechanical interface between robots and environments or sensed objects, as well as for many other tasks such as crop yield prediction. Another important consideration is that some vision applications must run on edge devices, which typically have very limited processing power and memory. Therefore, the computer vision models that are to run on edge devices must be optimized to achieve good performance. Due to the significant impact of Deep Learning and the advent of mobile devices with accelerators, there has been increased research in recent years on computer vision for general purpose applications that have the potential to increase the efficiency of precision agriculture tasks. This thesis explore how deep learning models running on edge devices are affected by optimizations, i.e., inference accuracy and inference time. Lightweight models for weed segmentation, peach fruit detection, and fruit disease classification are cases of studies. First, a case study of peach fruit detection with the well-known Faster R-CNN object detector using the breakthrough AlexNet Convolutional Neural Network (CNN) as the image feature extractor is performed. A detection accuracy of 0.90 was achieved using metric Average Precision (AP). The breakthrough AlexNet CNN is not an optimized model for use in mobile devices. To explore a lightweight model, a case study of peach fruit disease classification is next conducted using the MobineNet CNN. The MobileNet was trained on a small dataset of images of healthy, rotten, mouldy, and scabby peach fruit and achieved a performance of 0.96 F1. Lessons learned from this work led to using this model as a baseline CNN for other computer vision applications (e.g., fruit detection and weed segmentation). Next, a study was conducted on robotic weed control using an automated herbicide spot sprayer. The DeepLab semantic segmentation model with the MobileNet backbone was used to segment weeds and determine spatial coordinates for the mechanism. The model was optimized and deployed on the Jetson Nano device and integrated with the robotic vehicle to evaluate real-time performance. An inference time of 0.04 s was achieved, and the results obtained in this work provide insight into how the performance of the semantic segmentation model of plants and weeds degrades when the model is adapted through optimization for operation on edge devices. Finally, to extend the application of lightweight deep learning models and the use of edge devices and accelerators, the Single Shot Detector (SSD) was trained to detect peach fruit in three different varieties and was deployed in a Raspberry Pi device with an integrated Tensor Unity Processor (TPU) accelerator. Some variations of MobileNet as a backbone were explored to investigate the tradeoff between accuracy and inference time. MobileNetV1 yielded the best inference time with 21.01 Frame Per Second (FPS), while MobileDet achieved the best detection accuracy (88.2% AP). In addition, an image dataset of three peach cultivars from Portugal was developed and published. This thesis aims to contribute to future steps in the development of precision agriculture and agricultural robotics, especially when computer vision needs to be processed on small devices.
    2025-05-29Tese de doutoramento Acesso aberto Ver mais
  • O papel da familiaridade no Design das interfaces contemporâneas: Por uma melhor experiência de utilização
    Publication . Mendes, Guilherme Alexandre Machado; Estêvão, Sara Velez
    Esta dissertação explora o papel da familiaridade no design de interfaces contemporâneas, analisando a sua influência na evolução dos paradigmas digitais e o seu impacto na interação do utilizador. Num contexto marcado por padrões consistentes nos produtos digitais, desde estruturas de menus e processos de pagamento até fluxos de criação de contas, a familiaridade emerge como um alicerce essencial para a criação de experiências de utilização intuitivas e acessíveis. A investigação é estruturada em torno de dois objetivos principais: compreender o conceito de familiaridade e a sua aplicação no design de interfaces, e propor ferramentas práticas para medila e aprimorá-la. Através de análises teóricas, testes de usabilidade e avaliações comparativas, este estudo introduz uma lista de parâmetros que poderão orientar os designers na avaliação do grau de familiaridade das interfaces. Estes parâmetros, validados por meio de testes com utilizadores reais, demonstram a sua eficácia enquanto ferramentas práticas para avaliação e otimização. Os resultados revelam que a familiaridade desempenha um papel duplo. Por um lado, funciona como base para interações fluidas ao reduzir a carga cognitiva e alavancar os modelos mentais pré-existentes dos utilizadores. Por outro, desafia os designers a alcançar um equilíbrio entre previsibilidade e inovação. A investigação destaca ainda que a familiaridade é um conceito dinâmico, moldado por fatores culturais, temporais e tecnológicos, e que deve evoluir de acordo com as expectativas e maturidade digital dos utilizadores. Esta dissertação contribui para o campo do design multimédia ao fornecer uma metodologia estruturada para avaliar a familiaridade e propor a sua integração como elemento estratégico no processo de design. Além disso, aponta para a possibilidade de estudos futuros, incluindo a automatização da avaliação da familiaridade através da inteligência artificial. Ao abordar a tensão entre padronização e criatividade, este trabalho reafirma a importância da familiaridade como ferramenta para criar produtos digitais inclusivos, funcionais e centrados no utilizador. Em última análise, pretende inspirar uma reflexão crítica sobre o papel da familiaridade enquanto ponte entre tecnologia e sociedade, promovendo experiências acessíveis, memoráveis e alinhadas com as necessidades dos utilizadores.
    2025-05-29Dissertação de mestrado Acesso aberto Ver mais