Loading...
4 results
Search Results
Now showing 1 - 4 of 4
- Detection of Waste Containers Using Computer VisionPublication . Valente, Miguel; Silva, Hélio; Caldeira, João; Soares, Vasco N. G. J.; Gaspar, Pedro DinisThis work is a part of an ongoing study to substitute the identification of waste containers via radio-frequency identification. The purpose of this paper is to propose a method of identification based on computer vision that performs detection using images, video, or real-time video capture to identify different types of waste containers. Compared to the current method of identification, this approach is more agile and does not require as many resources. Two approaches are employed, one using feature detectors/descriptors and other using convolutional neural networks. The former used a vector of locally aggregated descriptors (VLAD); however, it failed to accomplish what was desired. The latter used you only look once (YOLO), a convolutional neural network, and reached an accuracy in the range of 90%, meaning that it correctly identified and classified 90% of the pictures used on the test set.
- Protótipo para Deteção de Contentores de Resíduos com Recurso a Técnicas de Visão ComputacionalPublication . Valente, Miguel; Silva, Hélio; Caldeira, João; Soares, Vasco; Gaspar, Pedro DinisEste artigo apresenta o desenho e implementação de um protótipo funcional para avaliar e validar a utilização de técnicas de visão computacional, na identificação de contentores de resíduos no contexto de uma cidade inteligente. Este protótipo recorre à utilização de uma rede neuronal convolucional YOLO e de um microcomputador Jetson Nano da Nvidia. Comparativamente ao método atual de identificação de contentores de resíduos por radiofrequência, esta abordagem é mais ágil e diminui os recursos necessários para implementação, contribuindo para poupar nos gastos logísticos e de implementação da gestão inteligente de resíduos.
- Development of Technological Capabilities through the Internet of Things (IoT): Survey of Opportunities and Barriers for IoT Implementation in Portugal’s Agro-IndustryPublication . Gaspar, Pedro Dinis; Fernandez, Carlos M.; Soares, Vasco N. G. J.; Caldeira, João; Silva, HélioThe agro-industrial sector consumes a significant amount of natural resources for farming and meat production. By 2050, population growth is expected, generating more demand and, consequently, more consumption of scarce resources. This challenging scenario is a concern of the European Commission, revealed in the Green Deal commitment and by the United Nations’ 12th goal of sustainable development. Thus, organizations must increase productivity and be more sustainable as soon as possible. Internet of Things (IoT) is introduced as a solution to facilitate agro-food companies to be more eco-efficient, mainly facing difficulties on farms, such as food loss and waste, best efficiency in management of resources, and production. The deployment of this technology depends on the stage of maturity and potential of implementation. To assess and characterize companies, with respect of IoT implementation, a survey was applied in 21 micro, small and medium agro-food companies, belonging to milk, honey, olive oil, jams, fruticulture, bakery and pastry, meat, coffee, and wine sectors, in the central region of Portugal. As results, this paper reveals the stage of maturity, level of sophistication, potential, opportunities, solutions, and barriers for implementation of IoT. Additionally, suggestions and recommendations to improve practices are discussed.
- Técnicas de Visão Computacional para a Deteção de Contentores de ResíduosPublication . Valente, Miguel; Silva, Hélio; Caldeira, João; Soares, Vasco N. G. J.; Gaspar, Pedro DinisO trabalho apresentado neste artigo resulta de uma investigação preliminar que visa a utilização de técnicas de visão computacional para substituir o método atual de identificação de contentores de resíduos via identificação por radiofrequência. Comparativamente ao método atual, esta abordagem é mais ágil e diminui os recursos necessários para implementação. A abordagem aqui discutida é centrada no uso de redes neuronais convolucionais, especificamente a rede YOLO. Utilizando este método de identificação foi atingido uma precisão de deteção e classificação de 92% dos contentores de resíduos.