Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
A pesquisa visa estimular o cidadão no engajamento, participação e percepção da arquitetura de
madeira da colonização na região norte paranaense, através de um artefato de reconhecimento de
estilos e elementos arquitetônicos por Inteligência Artificial com redes neurais convolucionais,
associado à geração de dados georreferenciados para mapeamento patrimonial. A pesquisa faz parte
do Smart Campus da Universidade Estadual de Londrina (UEL), do tipo quase-experimental em Living
Lab. Em relação ao artefato, a metodologia se aproxima do Design Science Research e sua avaliação é
baseada no teste de usabilidade utilizando critérios tais como: Capacidade de aprendizado, Eficiência,
Memorabilidade e Efetividade. Os resultados mostram que o artefato obteve uma acurácia compatível
com as apontadas no estado da arte, e apresenta potencial para uma leitura e valorização mais
participativa e integrada sobre a conservação do patrimônio no desenvolvimento urbano.
Palavras-chave: Inteligência artificial; Aprendizado Profundo; Crowdsourcing; Patrimônio edificado;
Norte do Paraná
Keywords: Artificial intelligence; Deep Learning; Crowdsourcing; Built Heritage; North of Paraná
3. DESCRIÇÃO DO ARTEFATO
O artefato se caracteriza por um aplicativo que funcionará no smartphone com quatro funções
básicas: (a) reconhecimento de estilo arquitetônico, com inclusão do tema de arquitetura de
madeira do Norte do Paraná; (b) reconhecimento de partes arquitetônicas do edifício, com
objetivo de fazer o usuário empregar o zoom e investir mais tempo na observação deste; (c)
reconhecimento de ambos, estilos e elementos, para estimular a observação das partes e do
todo; e (d) fotografia do edifício com envio de dados georreferenciados, podendo produzir um
acervo de dados de arquitetura de madeira na cidade de Londrina ou da região. Desta forma
seu desenho combina ações de reconhecimento de monumentos, empregadas por exemplo
por Palma (2019), e de reconhecimento de elementos arquitetônicos, usadas por Abed, Al-
Asfoor e Hussain (2020), somando ainda a ideia de jogos móveis baseados em localização
espacial (LIANG; LU; MARTIN, 2021).
De modo simplificado, o procedimento de uso foi delineado para passeios dirigidos, onde se
instala o aplicativo e o usuário inicia a busca por este tipo de arquitetura. O aplicativo de fácil
uso pode ser empregado por pessoas de diversas idades, ainda que se imagine poder gerar
maior atração no público jovem. Como observam Koukopoulos e Jung (2017), é necessário o
desenvolvimento de ferramentas de fácil acesso, que despertem a curiosidade do usuário e
ofereçam novas formas de interação com o meio urbano e o patrimônio cultural edificado.
Assim, para usá-lo basta voltar o celular para o edifício em processo de percepção que este
O aplicativo funciona com três modelos diferentes, porém antes de ser inicializado, ou seja,
abrir o aplicativo (botão inferior da primeira tela na Figura 2), é necessário fazer o download
dos modelos que estão localizados em uma pasta do Google Drive e em seguida selecionar um
dos modelos e sua respectiva legenda. Feito estes passos, o aplicativo pode ser aberto e ser
feito as predições dos estilos e/ou elementos em tempo real, através da imagem da câmera
traseira do smartphone (ver exemplo da imagem na segunda tela da Figura 2, a qual mostra a
predição do estilo “Arquitetura Colonial Norte do Paraná” realizada pela IA). Já o botão
superior direito na segunda tela (Figura 2), serve para abrir o site de edição de mapa no Google
My Maps, onde os usuários podem realizar o mapeamento coletivo de imagens dos edifícios.
Figura 3: Acurácia dos Modelos 01, 02 e 03 respectivamente. Fonte: Elaborado pelos autores, 2021.
Figura 4: Função de Perda dos Modelo 01, 02 e 03 Respectivamente. Fonte: Elaborado pelos autores, 2021.
Outra leitura válida dos resultados é a distância entre as perdas de treinamento e as de teste,
pois se os dados de treino se mostrarem idênticos aos de teste, as perdas seriam zero, mas o
fato de existir uma certa discrepância entre esses valores significam que há uma diferença
entre os dados de treinamento e os de teste.
Figura 5: Matriz de Confusão do Modelo 01 e 02, Respectivamente. Fonte: Elaborado pelos autores, 2021.
6. CONCLUSÃO
A pesquisa apresentou um artefato do tipo “community engagement tools” (LIANG; LU;
MARTIN, 2021), que visa estimular os cidadãos a perceber e mapear a arquitetura de madeira
no Norte do Paraná através de um aplicativo de reconhecimento baseado em IA –
REFERÊNCIAS
ABED, M. H., AL-ASFOOR, M., HUSSAIN, Z. M. "Architectural heritage images classification
using deep learning with CNN", CEUR Workshop Proceedings, v. 2602, n. May, p. 1–12,
2020.
ADRIAN, S. M.; KURNIAWAN, K. R. Smart Heritage: Media for Realizing Cultural Heritage
Conservation in The Smart City Era. In: IOP Conference Series: Earth and Environmental
Science, v. 452, IOP Publishing, 2020.
AMATO, C.; BEVILACQUA, G.; URUAS, S. Smart Heritage Strategy: a new intelligence for
resilient historical centers. In: WORLD HERITAGE and KNOWLEDGE, Representation,
Restoration, Redesign, Resilience - Le Vie dei Mercanti, XVI International Forum di Studi,
2018, Napoli, Capri. Anais eletrônicos [...]. Napoli, Capri, 2018. Disponível em: