ESCOLA SENAI “ANTÔNIO ERMÍRIO DE MORAES”

CURSO TÉCNICO EM ELETROELETRÔNICA

LEONARDO MAIA

LUCAS HENRIQUE ROCHA

SAMUEL AUGUSTO DE OLIVEIRA CAMPOS

VÍTOR GONÇALVES ARO

DISPOSITIVO DE SEGURANÇA PARA EMPILHADEIRAS

ALUMÍNIO

2023
 ESCOLA SENAI “ANTÔNIO ERMÍRIO DE MORAES”
CURSO TÉCNICO EM ELETROELETRÔNICA

LEONARDO MAIA

LUCAS HENRIQUE ROCHA

SAMUEL AUGUSTO DE OLIVEIRA CAMPOS

VÍTOR GONÇALVES ARO

DISPOSITIVO DE SEGURANÇA PARA EMPILHADEIRAS

Trabalho de conclusão de curso

apresentado à escola SENAI “Antônio
Ermírio de Moraes” de Alumínio, orientado
pelo Prof. Flávio Casimiro Nascimento e
Prof. José Roberto Rosa, como requisito
parcial para obtenção do título de técnico
em Eletroeletrônica

ALUMÍNIO

2023
 ALUMÍNIO

2023

Maia, Leonardo, Rocha, Lucas, Campos, Samuel, Aro, Vítor

Dispositivo de segurança para empilhadeiras/ Leonardo
Maia, Lucas Rocha, Samuel Campos, Vítor Aro;
Alumínio 2023 ??? páginas p.

Orientador: Prof. Flávio Casimiro do Nascimento

Coorientador: Prof. Daniel Galiano Ortiz

Trabalho de Conclusão de Curso (Técnico) - Serviço Nacional de

Aprendizagem Industrial, Curso Técnico de eletroeletrônica, 2023.

1. Reconhecimento 2. Inteligência Artificial 3. Controle I.

Casimiro do Nascimento, Flávio. Dispositivo de segurança para
empilhadeiras.

LEONARDO MAIA

LUCAS HENRIQUE ROCHA

SAMUEL AUGUSTO DE OLIVEIRA CAMPOS

VÍTOR GONÇALVES ARO

 LEONARDO MAIA

LUCAS HENRIQUE ROCHA

SAMUEL AUGUSTO DE OLIVEIRA CAMPOS

VÍTOR GONÇALVES ARO

DISPOSITIVO DE SEGURANÇA PARA EMPILHADEIRAS

Trabalho de Conclusão de Curso

apresentado à Escola SENAI “Antônio Ermírio
de Moraes” da cidade de alumínio como parte
dos requisitos para obtenção de título de
técnico em eletroeletrônica.

Alumínio, 11 de dezembro de 2023

Banca Examinadora

_____________________________________

Professor Flávio Casimiro do Nascimento (Presidente)

Formação:

_____________________________________

Professor Eduardo Farias (Membro)

Formação:

_____________________________________

Professor Alexandre Romero Andrade (Membro)

Formação:
 DEDICATÓRIA

Dedicamos esse trabalho aos nossos familiares, professores, apoiadores e a

instituição que nos forneceram recursos e conhecimento técnico para a execução
desse trabalho.
 AGRADECIMENTOS

Expresso gratidão eternamente a Deus, todos os professores, familiares e

colegas e envolvidos em nosso desenvolvimento acadêmico. Os professores Flávio e
Farias pela guia de luz e sabedoria que nos compartilharam nessa caminhada. Os
familiares que acima de tudo sempre nos as apoiaram. Os colegas que são
verdadeiros parceiros.

Toda essa trilha foi graças ao apoio geral de todos os citados. Em especial, o
papel do educador que é a base e a essencial da nossa trajetória educacional.
 RESUMO

Muito se discute acerca da segurança e implementação de sistemas integrados de

compartilhamento de informações no ambiente de trabalho. Para o manuseio de
máquinas, o controle e identificação de usuários, assim como seu cadastro,
habilitação e qualificação necessária, podem garantir maior seguridade para
colaboradores e longevidade das ferramentas de trabalho, diminuindo a recorrência
do uso dos recursos financeiros e diminuir o cronograma de manutenções preventivas.
Esse trabalho buscou evidenciar a efetividade da combinação de uma rotina de
controle junto com um regime de registro constante utilizando a tecnologia da
inteligência artificial, que possibilita rápida identificação do indivíduo, por meio da
prototipação de um sistema eletrônico de gerenciamento do momento de utilização e
identificação do trabalhador para a partida de uma empilhadeira. Os resultados visam
demonstrar que a aplicação do sistema pode contribuir na eficiência do trabalho
seguindo da premissa da utilização regrado dos materiais, desse modo, preservando-
os e na prevenção de acidentes que se mostram recorrentes, levando em
consideração, a filosofia de segurança em primeiro lugar como elemento fundamental,
integrado a um utilitário que necessita de uma pessoa autorizada para guiá-lo.

Palavras-chave: Reconhecimento, Inteligência Artificial, Controle

 ABSTRACT

Much discussion revolves around the security and implementation of integrated

information-sharing systems in the workplace. For machine handling, user control and
identification, as well as their registration, certification, and necessary qualification, can
ensure greater safety for employees and longevity of work tools. This helps reduce the
recurrence of financial resource usage and diminishes the schedule for preventive
maintenance. This study aimed to highlight the effectiveness of combining a control
routine with a constant registration regimen using artificial intelligence technology,
enabling rapid individual identification. It involved prototyping an electronic system for
managing the moment of usage and worker identification for starting a forklift. The
results aim to demonstrate that the system's application can enhance work efficiency
by adhering to regulated material usage, thereby preserving them and preventing
recurring accidents. This approach considers safety philosophy as a paramount
element integrated into a utility that requires an authorized person for guidance.

Keywords: Recognition, Artificial Intelligence, Control

LISTA DE TABELAS
SUMÁRIO

1 – INTRODUÇÃO 10

1.1 Objetivo Geral 10

1.2 Objetivo Específico 10
2- PESQUISAS BIBLIOGRÁFICAS 11

2.1 Usos gerais das empilhadeiras 11

2.1.1 Habilitação e normas regulamentadoras para empilhadeiras (NR-11) 13
2.1.2 Segurança e perigos envolvendo empilhadeiras 15
2.1.3 Certificado garantidos pela segurança no trabalho 18
2.2 Redes Neurais 20
2.3 Rede Neural Convolucional (CNN ou ConvNet) 26
2.3.1 Convolução 26
2.3.2 Aglomeração 27
2.4 You Only Look Once (YOLO) 28
2.4.1 Common Objects in Context (COCO Dataset) 28
2.4.2 Leaky Rectified Linear Unit (Leaky ReLU) 29
2.4.3 Detecção em tempo real 29
2.4.4 Intersecção de quadrados 30
2.5 Sinalizações 31
2.5.1 Utilização do sinalizador (colocar o sinalizador aqui) 32
2.6 Hardware 32
2.6.1 Microcontrolador Para Iot e IA 33
2.6.2 Aplicação para o dispositivo do trabalho 34
2.5 Algoritmo (REAPROVEITAR DEPOIS) 35
 10

1 – INTRODUÇÃO

A relação entre humano e tecnologia tem avançado nos últimos anos. O avanço
da indústria 4.0 é, possivelmente, o pilar que irá moldar a sociedade nos próximos
anos e será um caminho para a proximidade entre homem e Inteligência Artificial (I.A).
Há uma vasta aplicação dessa tecnologia em várias camadas da sociedade, desde
assistentes virtuais a carros autônomos, logo, é possível executar o controle de forma
inteligente e independente.

É importante destacar que a detecção e reconhecimento de um indivíduo é

executada por meio de seu registro, que leva em conta pontos designados em sua
face e a posição de seu rosto na câmera, definido junto a divisões inseridas no
algoritmo do projeto.

A integração tem como finalidade usar como objeto de estudo as empilhadeiras

por estarem no meio industrial e serem um utilitário de fácil acesso nos setores. No
entanto, o projeto pode ser trabalhado em várias denominações seguindo o viés de
controle e segurança presentes no trabalho.

1.1 Objetivo Geral

Aprimorar o controle do uso das máquinas necessárias, priorizando

colaboradores habilitados para seu manuseio, ligados a Internet das Coisas(IoT), um
dos conceitos principais da indústria 4.0.

1.2 Objetivo Específico

Pesquisar as aplicações das empilhadeiras e IoT no meio industrial em um

âmbito geral, buscar modos de identificação de pessoas e utilizar o mais eficiente
possível, facilitar a comunicação para a exibição dos registros e acesso ao diagrama
 11

de controle do sistema, utilizar a linguagem MicroPython orientada a objetos para

reconhecimento facial.
 12

2- PESQUISAS BIBLIOGRÁFICAS

Como apoio e modo de evidenciar os conhecimentos aplicados, foi necessário

se basear em fontes embasadas de áreas de conhecimentos específicos, nesse
tópico, serão reunidas as seguintes fontes de conhecimento:

2.1 Usos gerais das empilhadeiras

A empresa Angus Lift Trucks LTD. (2022) observa a empilhadeira como um dos
equipamentos mais reconhecidos usados em armazéns e canteiros de obras, por
causa da pequena cabine e do garfo usado para levantar e abaixar objetos.

Além dessa informação, a Angus Lift Trucks LTD. (2022) cita alguns dois
maiores usos de empilhadeiras e áreas de utilização, de acordo com seu site:

1. Armazéns:

Os usos de empilhadeiras em armazéns vão desde o transporte de itens de um

lugar para outro até levantá-los em prateleiras altas. Muitos armazéns usam porta-
pallets para levantar pallets e caixas do chão para transportá-los, mas as
empilhadeiras são mais versáteis. Os porta-pallets apenas levantam cargas pouco
acima do chão, enquanto as empilhadeiras podem levantá-las para prateleiras altas.
As empilhadeiras também podem suportar mais peso do que os porta-pallets e até
mesmo inclinar para garantir a estabilidade de cargas mais pesadas.

Carregadores laterais e empilhadeiras multidirecionais manobram em espaços

onde uma empilhadeira de contrapeso padrão não cabe.

Empilhadeiras padrão funcionam para a maioria das tarefas de armazém,

embora itens pesados, como contêineres de transporte, exijam uma empilhadeira de
50 toneladas muito mais pesada que possa lidar com o peso.

Os itens que precisam ser movidos podem determinar o garfo a ser usado. Os
postes de carpete são para rolos de carpete pesados, enquanto os garfos de madeira
e compensado lidam facilmente com cargas de madeira.

2. Canteiros de obras
 13

Os usos de empilhadeiras em canteiros de obras incluem carregar e

descarregar materiais e movê-los de um lugar para outro. Empilhadeiras para terrenos
acidentados pode mover materiais de construção em terrenos irregulares. As
aplicações comuns de empilhadeiras em canteiros de obras incluem trabalhos de
descarregamento de pallets de tijolos ou outros materiais de construção pesados e
seu transporte do local de descarregamento para onde são necessários.

Os garfos de bloco permitem que as empilhadeiras levantem tijolos e blocos

com segurança, enquanto os garfos de telha e barril têm recortes para acomodar
esses itens. Empilhadeiras ajudam a remover materiais após a demolição, embora um
carregador frontal seja o melhor equipamento para a maioria dos trabalhos como esse.

Um exemplo do tipo de empilhadeira a ser utilizada está indicada na figura 1:

https://anguslifttrucks.co.uk/wp-content/uploads/2021/04/CPCS-A17-
Telescopic-Handler-Training-01-300x150.jpg

3. Empilhamento

O empilhamento de itens, principalmente pallets, é um dos melhores usos de

empilhadeiras em armazéns e em qualquer lugar que os itens precisem empilhar.
Mesmo quando os trabalhadores não usam a empilhadeira para transportar itens, ela
pode empilhá-los em cargas para outros equipamentos moverem, como exemplificado
na figura 2.
 14

https://anguslifttrucks.co.uk/wp-content/uploads/2021/02/Capture-1-
300x300.jpg

O movimento de elevação vertical dos garfos facilita a adição e remoção de

itens planos em uma prateleira alta, embora a máquina também funcione para criar
uma pilha de itens no chão.

Como indicado, cada empilhadeira contém seu modelo ideal e tipo de garfo,
além da transpaleteira escolhida, além de fatores gerais

https://anguslifttrucks.co.uk/os-10-principais-usos-de-empilhadeiras/?lang=pt-
br (2022, 31 out. 2023)

2.1.1 Habilitação e normas regulamentadoras para empilhadeiras (NR-11)

A habilitação diz diretamente que está a critério da empresa colocá-los e

capacitá-los para o manuseio da máquina, com um curso focado na operação de
empilhadeiras em um local e com docentes capacitados para ministrar o curso

Diretamente explicado por Neto (2018): “A confusão é gerada pelo termo

“habilitado” que está presente no item 11.1.6 da NR 11, mas quando a NR se refere a
“habilitado” ela está se referindo a uma formação específica.”

Especificamente, na norma NR-11, atualizada no ano de 2016, diz o seguinte

nos tópicos 11.1.5 e 11.1.6:
 15

11.1.5 - Nos equipamentos de transporte, com força motriz própria, o operador

deverá receber treinamento específico, dado pela empresa, que o habilitará nessa
função.

11.1.6 - Os operadores de equipamentos de transporte motorizado deverão ser

habilitados e só poderão dirigir se durante o horário de trabalho portarem um cartão
de identificação, com o nome e fotografia, em lugar visível.

Desse modo, não é obrigatório ter a Carteira Nacional de Habilitação (CNH)

para operar empilhadeira e muito menos para fazer o curso operador de empilhadeira,
se alguma instituição está colocando como pré-requisito ter CNH para fazer o curso
essa instituição está totalmente fora do contexto da norma. Porém, caso o item tivesse
que ser movido em via pública, o motorista deve ter uma CNH, já que visto assim, na
indústria é preferível que o contratado tenha experiência com outros veículos, logo se
vê necessário o pedido desse requisito.

Mesmo que citado por Neto (2018), a empilhadeira não seja um veículo
efetivamente preparado para uma via pública, ele necessitaria de documentos extras
para regulamentar seu uso nelas, como Registro Nacional de Veículos Automotores
(RENAVAM) e emplacamento obrigatório.

De qualquer modo, o treinamento deve ser obrigatoriamente fornecido pela

empresa contratante e que a mesma deve proibir outros colaboradores não habilitados
a seu manuseio.

Um dos locais que fornecem o curso focado nesta área, é o próprio Serviço
Nacional de Aprendizagem Industrial (SENAI), como mostrado no próprio site, o nome
do curso cita a NR-11, com o nome “NR-11 – Operação de Empilhadeira”:

“O Aperfeiçoamento Profissional Operação de Empilhadeira tem por objetivo

desenvolver capacidades para operar empilhadeira seguindo procedimentos, normas
e legislação técnica, de segurança, saúde e meio ambiente.”

● Requisitos

O aluno deverá, no início do curso, ter no mínimo 18 anos de idade.

O aluno deverá ter completado a 4ª série/ano do Nível Fundamental.
Possuir CNH nas categorias 'B', 'C', 'D' ou 'E'.;

● Área
 16

Segurança no Trabalho

● Carga Horária
32 horas

Este curso é um requisito fundamental e exigência para conduzir uma

empilhadeira, qualificação que, geralmente, não é devidamente controlado por médias
e pequenas empresas, levando o empregado sem experiência, não-habilitado e
desautorizado a conduzir essas máquinas, o que acarreta em prejuízos irreversíveis
para os itens da empresa ou ferindo a integridade de um dos colaboradores, caso um
erro seja possivelmente cometido. Nestes casos, o regime de checagem torna-se
fundamental, para somente os que são realmente treinados consigam executar os
serviços em que eles são qualificados para fazerem, registrando o momento e
executante para o trabalho.

2.1.2 Segurança e perigos envolvendo empilhadeiras

Os perigos presentes durante o uso de uma empilhadeira podem acarretar em

acidentes de diversas origens, com muitos deles podendo ser fatais. Franco (2020)
do site sistema ESO diz como as empilhadeiras são utilizadas em vários locais, desde
depósitos pequenos até grandes centros de distribuição e que sua operação pode
trazer grandes riscos tanto para o operador quanto para os colaboradores que
exercem outros tipos de atividades no local, os principais riscos das empilhadeiras
incluem:

1. Tombamentos

Podem ocorrer por vários fatores, como excesso de carga, piso desnivelado,
manobras incorretas, manobras com carga suspensa ou por obstáculos como
buracos, ou objetos no caminho.

2. Quedas de materiais

O posicionamento incorreto de cargas e a direção do veículo com os garfos

estendidos podem resultar na queda da carga transportada.

3. Atropelamentos
 17

Os colaboradores que exercem atividades no mesmo local de operação de

empilhadeiras estão sujeitos aos riscos de atropelamentos, seja por falta de
sinalização, por pontos cegos e até mesmo pela imprudência de operadores.

4. Colisões

O trafego de várias empilhadeiras no mesmo local podem ocasionar em

colisões, caso as medidas de segurança não sejam cumpridas.

Isso em resulta em acidentes extremamente prejudiciais ao redor de todo o

mundo, são explicitados por Pinto e Souza (2018, p.15), os números divulgados de
acidentes graves ocorridos entre 1984 e 1991 nos EUA, a partir dos relatórios de
investigação dos acidentes com empilhadeiras, a Occupational Safety and Health
Administration (OSHA) conseguiu determinar as causas apontadas para que os
acidentes tenham ocorrido, junto da tabela 1, localizada abaixo:

Causa do Acidente Quantidade

Desatenção do Operador 59
Capotagem, tombamento 53
Carga instável 45
Operador atingido por carga 37
Empregados elevados 26
Falta de formação 19
Excesso de peso, uso inapropriado 15
Acidente durante a manutenção 14
Equipamento inapropriado 10
Visão obstruída 10
Queda de uma plataforma ou ais 9
Acidente não relacionado com empilhadeiras 9
Transporte de passageiro em excesso 8
Outro empregado atingido por carga 8
Queda de empilhadeira 6
Veículo engatado 6
Excesso de velocidade 5
Total 339
Além disso, segundo a OSHA, um em cada seis acidentes fatais em ambientes
de trabalho naquele país são relacionados a empilhadeiras – envolvendo pedestres
em 80% dos casos. São cerca de 100 mil acidentes com empilhadeiras por ano,
resultando em mais de 100 mortes. Isso gera perdas de US$ 135 milhões por ano.
(Assessoria Eaemaq, 2022)
 18

No Brasil, não é diferente, “[...]em média de 80% dos acidentes de trabalho

sejam causados por atos inseguros, sendo assim a melhor forma para evita-los e
atenção e capacitação.” (Franco, 2020).

Entre mais desses dados alarmantes, AHM Solutions (2022) comenta como na
série histórica brasileira relativa aos últimos dez anos (2012 a 2021), é possível
verificar que grande parte dos acidentes foi causada pela operação de máquinas e
equipamentos (15%). Em 2021, esse percentual se manteve elevado, em 16% do
total.

Navarro (2012) evidencia com os dados apresentados pela Associação

Nacional dos Fiscais de Abastecimento e Preço (AFANP) com a avaliação de 385
acidentes dentre movimentações de cargas, os casos têm como análise os casos mais
possíveis para a causa do acidente, como apresentado na tabela 2:

Possíveis causas Percentual

Falta de inspeção completa do equipamento e 90%
seus acessórios
Equipamento inapropriado para a carga ser 85%
transportada
Capacidade dos acessórios e cabos 75%
subavaliados
Existência de obstáculos a serem transpostos 65%
Capacidade de carga do terreno subavaliada 55%
Inabilidade do operador 50%
Geometria da peça que exigiria o emprego de 45%
equipamentos auxiliares
Características do terreno 40%
Condições ambientais adversas, com muita 35%
chuva e vento
Local inapropriado 35%
Falha estrutural no equipamento 25%
Dimensões e peso das cargas 20%
Acessibilidade do equipamento e da carga 20%
Falta de um adequado isolamento da área 15%

Isso acarreta a acidente fatais com simples erros humanos, portanto, como
sugerido pela AHM Solutions (2022): “[...]acidentes ocupacionais envolvendo
máquinas e equipamentos resultaram em amputações e outras lesões gravíssimas
com uma frequência 15 vezes maior do que as demais causas.”
 19

Esses perigos não podem ser subestimados e análises frequentes são

fundamentais para proteção da integridade física do trabalhado e material fornecido
pela empresa, visando a redução de perdas.

Para isso, o cuidado com a saúde do operador da máquina é fundamental. Pinto

e Souza (2018, p.13) cita como garantir isto é fundamental e que os Equipamentos de
Proteção Individual (EPI) geralmente disponibilizados para esse serviço são:

● Óculos de segurança: necessário para minimizar a incidência de poeira e

demais partículas, bem como eventuais choques;

● Protetor auricular: Necessário para proteção dos ouvidos do profissional, assim

como para aumento de sua atenção, eliminando incidência de ruídos;

● Capacete de segurança: Necessário quando a empilhadeira estiver em uso;

● Luvas de segurança: Na realização de trabalhos de transferência de paletes,

arrumação ou manuseio de cargas;

Para isto, os usos das empilhadeiras devem ser buscados somente quando
necessários, aprimorando assim, as análises preliminares antes do serviço, um
processo com mais trâmites que prolonga a duração, porém que visa garantir a
segurança dos funcionários e das posses da empresa, priorizando um processo mais
criterioso e minucioso por parte de todos.

2.1.3 Importância da inserção de máquinas integradas

É notório o modo como as máquinas integradas levam as informações para

ponderar e estratificar um modelo de processo, centralizando os serviços feitos por
meio das redes. Um desses tipos de controle é o controle de acesso que busca
gerenciar movimentações por entre os setores.

A ICS Brasil (2022) explicita todas as vantagens desses controles como:

● Proteger ambientes físicos e lógicos contra acessos não autorizados;

● Detectar, interceptar e conter acessos indesejáveis de: invasor, contrabando,

armas, explosivos, drogas, produto pirata, vírus etc.);
 20

● Gerenciar permissões de acesso;

● Controlar e registrar entradas e saídas de pessoas, objetos e informações;

● Fornecer registros completos de todos os acessos ou tentativas de acessos ao

ambiente físico e lógico da organização;

● Permitir rastreabilidade dos acessos consentidos.

O projeto disposto busca todos esses tópicos como princípios principais para
as checagens de rotina e levantamento dos dados de controle e permissão para a
autorização de forma eficiente, além de garantir mais uma camada de checagem de
para os acessos, a camada em que nosso projeto influenciará será na terceira camada
do controle, que se dispõe como:

● Terceira Camada

Essa etapa diz respeito ao controle de acesso dos departamentos. Deve estar
alinhada com a política de segurança e confidencialidade da organização, capaz de
gerenciar acesso as áreas restritas. São utilizados dispositivos de controle como
portas eletrônicas com identificação; identificadores de cartões, crachás, biometrias
ou senhas; câmeras de controle.

Nesta ocasião, o cadastro biométrico faria o controle total e liberação das

empilhadeiras com o registro dos pontos do rosto e características faciais de cada um
dos contratados autorizados e corretamente certificados, sem a necessidade de
restrições visuais e/ou verbais de superiores, otimizando todo o processo, respeitando
as ordens de serviços corretamente preenchidas, análises previamente feitas e
jornadas de serviço previstas para execução.

2.2 Redes Neurais

Uma rede neural é um método de inteligência artificial que ensina

computadores a processar dados de uma forma inspirada pelo cérebro
humano. É um tipo de processo de machine learning, chamado aprendizado
profundo, que usa nós ou neurônios interconectados em uma estrutura em
camadas, semelhante ao cérebro humano. A rede neural cria um sistema
adaptativo que os computadores usam para aprender com os erros e se
 21

aprimorar continuamente. As redes neurais artificiais tentam solucionar

problemas complicados, como resumir documentos ou reconhecer rostos
com grande precisão. (AWS, 2022)

Haylon (2001) destaca o projeto de uma rede neural é motivado pela analogia
com o cérebro, que é uma prova viva de que o processamento paralelo tolerante a
falhas é não somente possível fisicamente, mas também rápido e poderoso. Os
neurobiólogos olham para as redes neurais (artificiais) como uma ferramenta de
pesquisa para a interpretação de fenômenos neurobiológicos. Por outro lado, os
engenheiros olham para a neurobiologia procurando novas ideias para resolver
problemas mais complexos do que aqueles baseados em técnicas convencionais de
projeto por conexões fixas. Estes dois pontos de vista são ilustrados respectivamente
pelos dois exemplos a seguir:

● Em Anastasio (1993), modelos de sistemas lineares do reflexo vestíbulo-ocular

são comparados com modelos de redes neurais baseados em redes
recorrentes, que são descritas na seção 1.6 e discutidas em detalhe no
Capítulo 15. O reflexo vestíbulo-ocular (RVO) é parte do sistema oculomotor. A
função do RVO é manter a estabilidade da imagem visual (i.e., retinal) fazendo
rotações oculares opostas às rotações da cabeça. O RVO é mediado por
neurônios pré-motores nos núcleos vestibulares que recebem e processam os
sinais de rotação da cabeça advindos dos neurônios sensoriais vestibulares e
enviam os resultados para os neurônios motores do músculo ocular. O RVO é
bem apropriado para modelagem porque a sua entrada (rotação da cabeça) e
a sua saída (rotação ocular) podem ser especificadas precisamente. Ele é
também um reflexo relativamente simples e as propriedades neurofisiológicas
de seus neurônios constituintes se encontram bem descritas. Entre os três tipos
neurais, os neurônios pré-motores (interneurônios de reflexo) nos núcleos
vestibulares são os mais complexos e, portanto, os mais interessantes. O RVO
foi modelado anteriormente utilizando descritores concentrados de sistemas
lineares e a teoria de controle. Estes modelos foram úteis para explicar algumas
das propriedades globais do RVO, mas forneciam pouco entendimento das
propriedades dos seus neurônios constituintes. Esta situação melhorou
substancialmente através da modelagem por rede neural. Modelos de redes
recorrentes do RVO (programados utilizando um algoritmo chamado
 22

aprendizagem recursiva em tempo real que é descrito no Capítulo 15) podem

reproduzir e ajudar a explicar muitos aspectos estáticos, dinâmicos, não-
lineares e distribuídos do processamento de sinal pelos neurônios que
medeiam o RVO, especialmente os neurônios dos núcleos vestibulares
(Anastasio, 1993).

● Na retina, mais que em qualquer outra parte do cérebro, é onde nós

começamos a agregar as relações entre o mundo externo representado por um
sentido visual, sua imagem física projetada em um arranjo de receptores e as
primeiras imagens neurais. A retina é uma folha fina de tecido neural que
reveste o hemisfério posterior do globo ocular. A tarefa da retina é converter
uma imagem ótica em uma imagem neural para ser transmitida através do
nervo ótico para uma quantidade de centros para análise posterior. Esta é uma
tarefa complexa, como evidenciado pela organização sináptica da retina. Nas
retinas de todos os vertebrados, a transformação da imagem ótica em imagem
neural envolve três estágios (Sterling, 1990):
1. Transdução da energia luminosa por uma camada de neurônios receptores.
2. Transmissão dos sinais resultantes (produzidos em resposta à luz) por
sinapses químicas para uma camada de células bipolares.
3. Transmissão desses sinais, também por sinapses químicas, para neurônios de
saída que são chamados de células ganglionares.

O advento da inteligência artificial fornece redes neurais, as quais se

caracterizam como um processo de variadas funções matemáticas resultantes de
possíveis saídas. De maneira simplificada, este conceito é uma estrutura que contém
entradas, as quais levam a camadas ocultas e resultam em consequentes saídas.

As entradas descrevem o envio de informações em tempo real, enquanto as

camadas ocultas representam a execução de funções matemáticas que não são
possíveis de interpretar, deste modo o resultado final é obtido através dos cálculos.

Como descrito por Haylon (2001, p.29): “Especificamente, um problema

complexo de interesse é decomposto em um número de tarefas mais simples, e
atribui-se redes neurais um subconjunto de tarefas[...]”. Haylon (2001) também cita as
propriedades úteis e capacidade de uma rede neural como documentado abaixo:

1. Não-linearidade
 23

Um neurônio artificial pode ser linear ou não-linear. Uma rede neural,

constituída por conexões de neurônios não-lineares é ela mesma não-linear. Além
disso, a não-linearidade é de um tipo especial, no sentido de ela ser distribuída por
toda a rede. A não-linearidade é uma propriedade muito importante, particularmente
se o mecanismo físico responsável pela geração do sinal de entrada (p. ex., sinal de
voz) for inerentemente não-linear.

2. Mapeamento de Entrada-Saída

Um paradigma popular de aprendizagem chamado aprendizagem com um

professor ou aprendizagem supervisionada envolve a modificação dos pesos
sinápticos de uma rede neural pela aplicação de um conjunto de amostras de
treinamento rotuladas ou exemplos da tarefa. Cada exemplo consiste de um sinal de
entrada único e de uma resposta desejada correspondente. Apresenta-se para a rede
um exemplo escolhido ao acaso do conjunto, e os pesos sinápticos (parâmetros livres)
da rede são modificados para minimizar a diferença entre a resposta desejada e a
resposta real da rede, produzida pelo sinal de entrada, de acordo com um critério
estatístico apropriado. O treinamento da rede é repetido para muitos exemplos do
conjunto até que a rede alcance um estado estável onde não haja mais modificações
significativas nos pesos sinápticos. Os exemplos de treinamento previamente
aplicados podem ser reaplicados durante a sessão de treinamento, mas em uma
ordem diferente. Assim, a rede aprende dos exemplos ao construir um mapeamento
de entrada-saída para o problema considerado. Tal abordagem nos faz lembrar do
estudo de inferência estatística não-paramétrica, que é um ramo da estatística que
trata da estimação independente de modelo, ou, do ponto de vista biológico,
aprendizagem tabula rasa (German et. Al., 1992); o termo “não-paramétrico” é
utilizado aqui para significar o fato de que não são feitas suposições prévias sobre o
modelo estatístico dos dados de entrada. Considere, por exemplo, uma tarefa de
classificação de padrões, na qual o objetivo seja atribuir um sinal de entrada
representando um objeto físico ou evento a uma entre várias categorias (classes)
preestabelecidas. Em uma abordagem não-paramétrica para este problema, o
objetivo é “estimar” fronteiras de decisão arbitrárias no espaço do sinal de entrada
para a tarefa de classificação de padrões utilizando um conjunto de exemplos, e fazê-
lo sem invocar um modelo de distribuição probabilístico. Um ponto de vista similar está
implícito no paradigma de aprendizagem supervisionada, o que sugere uma analogia
 24

próxima entre o mapeamento de entrada-saída realizado por uma rede neural e a

inferência estatística não-paramétrica.

3. Adaptabilidade

As redes neurais têm uma capacidade inata de adaptar seus pesos sinápticos
a modificações do meio ambiente. Em particular, uma rede neural treinada para operar
em um ambiente específico pode ser facilmente retreinada para lidar com pequenas
modificações nas condições operativas do ambiente. Além disso, quando está
operando em um ambiente não-estacionário (1. e., onde as estatísticas mudam com
o tempo), uma rede neural pode ser projetada para modificar seus pesos sinápticos
em tempo real. A arquitetura natural de uma rede neural para classificação de
padrões, processamento de sinais e aplicações de controle, aliada à capacidade de
adaptação da rede, a torna uma ferramenta muito útil para classificação adaptativa de
padrões, processamento adaptativo de sinais e controle adaptativo. Como regra geral,
pode-se dizer que quanto mais adaptativo se fizer um sistema, assegurando-se de
que o sistema se mantenha estável, mais robusto tenderá a ser o seu desempenho
quando o sistema for exigido a operar em um ambiente não-estacionário. Contudo,
deve ser enfatizado, que adaptabilidade nem sempre resulta em robustez; na verdade
pode resultar no contrário. Um sistema adaptativo com constantes de tempo
pequenas, por exemplo, pode se modificar rapidamente e assim tender a responder a
perturbações espúrias, causando uma drástica degradação no desempenho do
sistema. Para aproveitar todos os benefícios da adaptabilidade, as constantes de
tempo principais do sistema devem ser grandes o suficiente para que o sistema ignore
perturbações espúrias, mas ainda assim serem suficientemente pequenas para
responder a mudanças significativas no ambiente; o problema aqui descrito é referido
como o dilema da estabilidade-plasticidade (Grossberg, 1988b).

4. Resposta a Evidências

No contexto de classificação de padrões, uma rede neural pode ser projetada

para fornecer informação não somente sobre qual padrão particular selecionar, mas
também sobre a confiança ou crença na decisão tomada. Esta última informação pode
ser utilizada para rejeitar padrões ambíguos, caso eles estejam presentes, e com isso
melhorar o desempenho de classificação da rede.

5. Informação Contextual
 25

O conhecimento é representado pela própria estrutura e estado de ativação de

uma rede neural. Cada neurônio da rede é potencialmente afetado pela atividade de
todos os outros neurônios na rede. Consequentemente, a informação contextual é
tratada naturalmente pela rede neural.

6. Tolerância a Falhas.

Uma rede neural, implementada na forma física (em hardware), tem o potencial
de ser inerentemente tolerante a falhas, ou capaz de realizar computação robusta, no
sentido de que seu desempenho se degrada suavemente sob condições de operação
adversas. Se um neurônio ou suas conexões são danificados, por exemplo, a
recuperação de um padrão armazenado é prejudicada em qualidade. Contudo, devido
à natureza distribuída da informação armazenada na rede, o dano deve ser extenso
para que a resposta global da rede seja degradada seriamente. Assim, a princípio,
uma rede neural exibe uma degradação suave do desempenho em vez de apresentar
uma falha catastrófica. Há algumas evidências empíricas para a computação robusta,
mas geralmente ela não é controlada. Para se assegurar que uma rede neural seja de
fato tolerante a falhas pode ser necessário adotar-se medidas corretivas no projeto do
algoritmo utilizado para treinar a rede (Kerlirzin e Vallet, 1993).

7. Implementação em VLSI

À natureza maciçamente paralela de uma rede neural a faz ser potencialmente

rápida na computação de certas tarefas. Esta mesma característica torna uma rede
neural adequada para implementação utilizando tecnologia de integração em escala
muito ampla. Uma virtude benéfica particular da tecnologia VLSI (very-large-scale-
integration) é que ela fornece um meio de capturar comportamentos realmente
complexos de uma forma altamente hierárquica (Mead, 1989).

8. Uniformidade de Análise e Projeto

Basicamente, as redes neurais desfrutam de universalidade como

processadores de informação. Dizemos isso no sentido de que a mesma notação é
utilizada em todos os domínios envolvendo a aplicação de redes neurais. Esta
característica se manifesta de diferentes modos:

● Os neurônios, de uma forma ou de outra, representam um ingrediente comum

a todas as redes neurais.
 26

● Esta uniformidade torna possível compartilhar teorias e algoritmos de

aprendizagem em aplicações diferentes de redes neurais.

● Redes modulares podem ser construídas através de uma integração

homogênea de módulos.

2.3 Rede Neural Convolucional (CNN ou ConvNet)

A rede neural é um recurso de deep learning, majoritariamente usado para

reconhecimento de elemento de imagem de modo detalhado, por meio de neurônios
atrelados a cada pixel da imagem, com aproximadamente 25 neurônios localizados
nesse pixel (chamado de camada), essa associação é mostrada mais detalhadamente
na figura 3.

O processo será repetido por cada coluna, avançando para direita até o fim de
todas o ramo, descendendo linha por linha até o momento em que todas as camadas
sejam associadas a, ao menos, um neurônio.

Esse processo consiste em duas análises, sendo elas:

2.3.1 Convolução
 27

Essa camada acentua as características executando o processamento por

meio de diversos filtros (kernels) adicionados a destinada imagem, esses filtros são
ajustados na etapa de treinamento da CNN. Ela é a principal parte da criação das
saídas por determinado tipo de função, que é como essas camadas passam pelos
mapas no processo mostrado na figura 4.

https://stackoverflow.com/questions/52741291/creating-a-cnn-model-in-keras-
with-feature-maps-from-each-of-the-previous-filter

2.3.2 Aglomeração

Na camada de aglomeração, as imagens filtradas são ainda mais comprimidas

para o momento de combinação dos pixels, que são divididos em matrizes.

Sendo divididas de dois modos: Pooling máximo e médio. Dividindo esses

valores presentes nas matrizes entre o valor médio ou máximo dos valores
encontrados.
 28

2.4 You Only Look Once (YOLO)

A YOLO é um avanço em CNNs que possibilita a detecção de uma variedade

de objetos juntos de sua base de dados. Essa rede neural classifica imagem, identifica
qual o objeto nela, sua posição diante a câmera com um ponto central e destacamento
do objeto, com suas coordenadas no eixo X, Y e Z, o que é dividido tudo em uma
classe. Este será o processo principal feito pelo sistema para identificar os
trabalhadores na prática. Algum desses processos de identificação feitas pelo YOLO
é exibida na figura 5.

https://towardsdatascience.com/yolo-you-only-look-once-17f9280a47b0
 29

2.4.1 Common Objects in Context (COCO Dataset)

O COCO é uma organização que formou por deep learning (aprendizado com
mais de 120.000 imagens), uma base de dados em larga escala destinada a
segmentação e detecção de objetos, baseada em um contexto e categorização do
que foi localizado, alguns dos exemplos de imagem estudadas pela base de dados
são mostrados na figura 6.

2.4.2 Leaky Rectified Linear Unit (Leaky ReLU)

Ela é uma versão aprimorada da Rectified Linear Unit (ReLU), que se baseia
no uso dos neurônios durante o processo de convolução, que é basicamente se ele
encontrar uma entrada de informação negativa, ele mantém o valor dela nulo. Desse
modo, a computação das imagens é feita de forma mais eficiente, alocando somente
a memória necessária para a aplicação dos filtros, o que economiza espaço de
processamento na placa de prototipação.

A Leaky ReLU é uma melhoria desse conceito, já que anular um dos neurônios
faziam eles não se ativarem mais, agora, ao invés de anular o valor se é associado
um valor próximo a 0 (0,01).

Leaky ReLU:https://www.deeplearningbook.com.br/funcao-de-ativacao/
 30

2.4.3 Detecção em tempo real

A detecção dos objetos feitas com o COCO Dataset, demonstra a localização

do objeto ou individuo designado, alocados todas as suas características por meio de
classes. Essas informações determinam um ponto central e uma área em volta do
identificado, como na figura 7.

Neste caso, será associado e priorizado a identificação de características

humanas, principalmente, as faciais, para o devido reconhecimento e divisões do que
realmente é um ser humano e o que é um outro item em volta.

2.4.4 Intersecção de quadrados

O Intersection over Union (IoU) é uma métrica para avaliar a qualidade das
detecções. É usada para medir a sobreposição entre duas caixas delimitadoras
(bounding boxes), em contextos de detecção de objetos ou segmentação de imagens,
como colocada na fórmula abaixo:

(Á𝑟𝑒𝑎 𝑑𝑎 𝐼𝑛𝑡𝑒𝑟𝑠𝑒çã𝑜)
𝐼𝑜𝑈 =
(Á𝑟𝑒𝑎 𝑑𝑎 𝑈𝑛𝑖ã𝑜)

Na prática, esta fórmula é o que permite o começo das detecções para

sobreposições na imagem na mesma divisão do grid, o que permite a detecção de
dois itens, caso necessário, como explicitado na figura 8.
 31

Figura 1 - Demonstração da equação da IoU

Fonte: https://b2633864.smushcdn.com/2633864/wp-
content/uploads/2016/09/iou_equation.png?lossy=2&strip=1&webp=1

As denominadas caixas de âncora são as caixas delimitadoras predefinidas

usadas em algoritmos de detecção de objetos. Em 2D, eles ajudam a detectar objetos
de diferentes tamanhos e formas nas imagens. Em 3D, essas caixas são usadas para
posicionar e orientar objetos em um ambiente tridimensional, adaptando-se as
profundidades do detectado. Eles melhoram a precisão da detecção adaptando-se
aos objetos da cena.

Ao localizar o centro do objeto, que se localiza no mesmo grid programada no

algoritmo, as classes que abstraem, resultando na concatenação desses itens:

2.5 Sinalizações
 32

A sinalização tem como a principal função transmitir informações, avisos ou

instruções de forma padronizada e clara. Assim o usuário pode, de forma visual,
identificar o funcionamento do sistema, para seu uso e possível manuseio. O quadro
abaixo mostra a padronização da norma NBR IEC 60204-1, como explicitada na figura
10:

https://fastautomacao.com.br/blog/wp-content/uploads/2020/05/img-1_2020-
05-12.png

2.5.1 Utilização dos sinalizadores

Neste projeto, serão utilizadas as sinalizações de cor vermelha para a indicação

que o colaborador está cadastrado para utilizar a máquina e que sua detecção no
sistema foi bem sucedida, junto disso, apontar que o equipamento está pronto para o
seu funcionamento. A lâmpada verde indicará que a empilhadeira está pronta para
uso e não indica problema em seu funcionamento, e em sua lógica, caso o trabalhador
cadastrado seja detectado e dê a partida, a empilhadeira funcionará como esperado.

Caso contrário, nenhum desses casos sejam sustentados, a empilhadeira se

manterá parada e pronta para executar sua detecção.

https://fastautomacao.com.br/blog/2020/05/12/378/
 33

2.6 Hardware

Hardware é todo componente físico que integra um Personal Computer(PC),

interno e externo. Para um bom uso de qualquer PC, ele precisa da parte do software
que seria sua lógica.

O microcontrolador é considerado como um computador pequeno, no entanto,

ótimo para realizar tarefas eficazes e seu tamanho ajuda a integrar em máquinas o
tornando essencial para projetos de automação industrial e controle do regime
constante dos trabalhos, garantindo confiabilidade a suas instalações e facilidade na
atualização de integrações, se preciso for.

2.6.1 Microcontrolador Para IoT e IA

O Maixduino é um microcontrolador projetado pela Sipeed, afim de executar

projetos com prototipagem mais robustas. Ele será o centro do nosso comando de
controle, detecção, reconhecimento e algoritmo determinante para o funcionamento
do gerenciamento das identificações, seu processador possui suporte a redes neurais,
o que permite aplicações de inteligência artificial na borda, Souza (2019), cita uma de
suas aplicações possíveis incluindo o foco em prototipagem rápida de soluções com
inteligência artificial e reconhecimento de imagens e som na borda, algumas
aplicações típicas como de Indústria 4.0 (separação inteligente ou monitoramento de
equipamentos elétricos), mostram o quanto o microcontrolador é ideal para este tipo
de aplicação

Em seu complexo, de acordo com a empresa Sipeed, ele contém em seu

processador Kendryte K210, com essas seguintes especificações, como na tabela 3:

ATRIBUTOS IMPORTANTES DO KENDRYTE K210

NÚCLEO RISC-V Dual Core 64bit com FPU
PROCESSADOR DE VÍDEO Processador de Redes Neurais (KPU)
SRAM Montado com 8MB
RECONHECIMENTO DE IMAGEM QVGA@60fps/VGA@30fps
 34

Esses atributos acompanham todos o processamento necessário para a

detecção das faces, equipado com o processador de redes neurais e seu próprio
processador para o algoritmo, com o reconhecimento feito com a qualidade Quarter
Video Graphics Array (QVGA), que aumenta os quadros, porém diminui a qualidade
consideravelmente, como explicito abaixo, a qualidade do QVGA é inferior ao Video
Graphics Array(VGA) pela metade:

● VGA: 640x480

● QVGA: 320x240

Para melhor compreensão, alguns recursos como dimensões e interfaces

físicas estão mostrados na tabela 4:

ATRIBUTOS FÍSICOS DA PLACA MAIXDUINO

INTERFACES Conector USB Tipo C
Interface para câmera DVP 24 pinos
Interface LCD 24 pinos
Slot para cartão microSD
TAMANHO 60x88mm (6x8,8cm)
TENSÃO DE TRABALHO 5.0V @ 300mA min
Essas são as entradas correspondente para todas as interfaces físicas
utilizadas que estão presentes na placa, junto com as especificações para seu
funcionamento adequado. Na figura, é explicitado

https://image.dfrobot.com/image/data/KIT0157/1.jpg

A capacidade do microcontrolador citado é notória, já que através do seu

módulo com aprendizado de máquina e a câmera instalada, ele saberá reconhecer o
 35

colaborador por meio dos processos executados rede neural YOLO. E, somente aos
colaboradores registrados no sistema, o fato será verdadeiro, iniciando o processo de
salvamento dos dados em um cartão SD, agindo como data logger. Sendo esses
dados: matricula do usuário, data e horário de uso.

2.7 Software

O software é basicamente o algoritmo que mostrará o passo a passo de como

um sistema específico deve se comportar, como evidenciado por Costa (2020): “o
software é uma coleção de dados ou instruções que informam a um mecanismo como
trabalhar.”, estas instruções são determinadas por linguagens de programação e, no
caso de placas de prototipação, o ambiente em que a programação será inserida ao
processador.

No projeto em si, ele é o fundamental para direcionar as ações quanto a

alocação de memória e lógica de como se comportar em cada situação apresentada
em seu constante trabalho.

2.7.1 MicroPython

Esta linguagem se baseia na versão 3 da linguagem Python padrão, porém

concentrada para microcontroladores criado originalmente para a placa pyboard. Ele
fornece facilidade de código pela entrega ao usuário de um sistema operacional
Python em baixo nível, o qual pode ser usado para controlar todos os tipos de projetos
eletrônicos.

No projeto, ela se torna importante a partir do momento em que ela consegue

armazenar a programação por meio dela mesma, pela associação ao processador
pelo compilador e uma Virtual Machine embutidos.

Este firmware é o que também fornece o uso de bibliotecas diretas do próprio

processamento como GPIO, ADC, DAC, RTC, TIMERs, PWM, UART, SPI e I2C, o
que são as principais bibliotecas usadas para as instalações
 36

2.7.2 MaixPy Integrated Development Environment (IDE)

O MaixPy é um IDE específico para a linguagem MicroPython, vantajosamente

usada já que não será preciso uma compilação intermediária de linguagem C para
Python, o que diminui o tempo de transferência consideravelmente, além dessa
vantagem, ele tem um link feito diretamente a câmera integrada, o que facilita a
visualização do código compilado e seu funcionamento sem a necessidade de alocar
definitivamente um código ao processador.

2.5 Algoritmo (REAPROVEITAR DEPOIS)

A ativação do registro será acionada, quando a variável atribuída a ele for lida,
caso a variável seja acionada, se tornando verdadeira, o processo do lançamento de
informações referente aos dados relacionados a face dos colaboradores habilitados
destinados ao cadastro será iniciado. Caso a variável atribuída seja falsa, o processo
de registro não será iniciado impedindo todo o algoritmo de executar, assim, não
registrando nenhum tipo de dados pertencentes a funcionários.

https://www.thingiverse.com/thing:4683141

link do thingiverse

https://books.google.com.br/books?hl=pt-
BR&lr=&id=bhMwDwAAQBAJ&oi=fnd&pg=PP1&dq=redes+neurais&ots=09qlJHTYJq
 37

&sig=5oZlduVCa144iJHOm0iC4VIAgXk#v=onepage&q=redes%20neurais&f=false
17/11

https://direct.mit.edu/books/book/4791/Neural-Networks-and-Natural-Intelligence

17/11

https://direct.mit.edu/neco/article-abstract/5/3/473/5726/Robustness-in-Multilayer-
Perceptrons?redirectedFrom=PDF

17/11

https://segurancadotrabalhonwn.com/preciso-ter-cnh-para-dirigir-ou-operar-
empilhadeira/

17/11

https://textil.sp.senai.br/curso/69908/107/nr11-operacao-de-empilhadeira

17/11

https://www.gov.br/trabalho-e-emprego/pt-br/acesso-a-informacao/participacao-
social/conselhos-e-orgaos-colegiados/comissao-tripartite-partitaria-
permanente/normas-regulamentadora/normas-regulamentadoras-vigentes/nr-11-
atualizada-2016.pdf

17/11

https://aws.amazon.com/pt/what-is/neural-network/

21/11
 38

https://sistemaeso.com.br/blog/seguranca-no-trabalho/empilhadeiras-quais-os-
riscos-e-como-evitar-acidentes

27/11

https://www.ahmsolution.com.br/acidentes-com-
empilhadeiras/#:~:text=De%20acordo%20com%20dados%20estat%C3%ADsticos,%
2C%20em%2016%25%20do%20total

11/11

http://repositorio.unitau.br/jspui/bitstream/20.500.11874/4274/1/Monografia%20PAUL
O%20DOUGLAS%20DE%20SOUZA%20PINTO.pdf

27/11

https://eaemaq.com.br/noticias-sobre-dica-tecnica/acidentes-com-empilhadeiras-
respondem-por-1-em-cada-6-mortes-no-trabalho/

11/11

https://www.editoraroncarati.com.br/v2/phocadownload/artigos_e_estudos/Acidentes
_Causados_Durante_a_Movimentacao_de_Cargas.pdf

28/11

http://app.fiepr.org.br/revistacientifica/index.php/inovamais/article/view/635/562

28/11

https://certificacaoiso.com.br/ohsas-18001-e-iso-45001/
 39

28/11

https://certificacaoiso.com.br/iso-45001/

28/11

https://www.linkana.com/blog/ohsas-18001/

28/11

https://pdf.sciencedirectassets.com/314898/1-s2.0-S1474667016X60582/1-s2.0-
S1474667016375371/main.pdf?X-Amz-Security-
Token=IQoJb3JpZ2luX2VjEGUaCXVzLWVhc3QtMSJGMEQCIELHDaDvZ8Gbu6G4
bDdqf6RGkV1faSAMKAiQp9MNWAHbAiBgQhCrm4QOj8IhiAKSQF%2BsV5zrFUD5
Gzn%2BFkh5sludTyq7BQi%2B%2F%2F%2F%2F%2F%2F%2F%2F%2F%2F8BEA
UaDDA1OTAwMzU0Njg2NSIMsHnO6v9DmrU3jMmAKo8FLO3d8R%2Bvgew6SpBix
zNnVGGmE83HzDcEhtEQImMwSzdlbid6xyDTvseSD0vukX6BXaAECElRpbHSCV%
2BeUD0mQLMpKNq3PO14vecbDTnbXp%2BEdfDSJTOKqEY36jJlkXRPmRdDVadu
7Xqradt%2FHu6DQIZn8Hno3E1YltmXMgyPh6sGU2ZWvSqaldBEp6FcVKvSZ1UL6
DYFq90LDilzyllk%2BJ2M88OLGVUI6lw1VMmbBkKs%2BNaU6iINwJs0lkb1hqHj129
UMxCgTp4HisYqn2UZ%2Bj5WDBp%2B%2FVaeuxGq%2FbPPc2l%2BLEDQeGr8o4
MDtGbHRO61eove04Cs15LNiJwLN2nwsXkj47AFxdL8IAzLETNJFt1ZR0C5Tq97Cfn
NC9753NVQGzOuBd96hEdhpxDr8tECrLHNga%2ByfE4BGa6s8Bh84V3gNZbuzDYv
cz7VP%2BgOtwDBEF8kE4a4Yf%2BcBrNMhtMdda1Bpu%2F5V3zeEd4P4puHtWSlv
oRpkjMo5tLls8qFSCE3DKd%2FMMJ9JBsEfxyiu1mvOcPuQuHIQNDZX2OTNELBRV
bKWWEmPi63RsQuxROIGMvdK1NI7HBrYcetbSAsKGuvKSDrI%2BE4NBUbiNfFrW
p7J8AAE83gSzOVhX8jG%2FveSpiLHJ51YQxtTe%2B5aIK9L2Uyiy03N6V2meA04Tr
%2FJcVMO%2B55EbZgN0g66Qj1A2s%2F7yqX0kz2qNDDjgeXWMGCsKPpmJjluC
Of3up07KPBCizdyw8sUCaZ9kUNcp2dcf32%2FxRxqXWBkMw0NWEErWk6ghoAnY
Dn5cd9lZoNvpXD54YFTuWKuNMHtfB2UBjReACshxAzW7GJyEYBmG7CVOZRe7P
xgYcYAwEQrTsHXA56%2FeXvojDPxJerBjqyAfE5YBr3QLHUwSdPmFp4dre3NhYw6
 40

U5cMqL7X0nAmHJhctH%2BTlkL6c51iBoaq0ZvRhwaRB5dH2hXMu0OseMRZGzG2
CK886q8Tp8wgOqU4mQRWJ%2FeMwoIMVdy4Cy3jDAkcX%2FaFCVlHIyNZbSl3eg
bfPkUq00BWnY1GkgUcXalCunQrOJmsb9HxnQfxwpB1eX9oRuzv5zHx8YpEbjipsH5i
uSnBQyIuKVkZhQc3gFBshCmXJs%3D&X-Amz-Algorithm=AWS4-HMAC-
SHA256&X-Amz-Date=20231128T141424Z&X-Amz-SignedHeaders=host&X-Amz-
Expires=300&X-Amz-Credential=ASIAQ3PHCVTYYGFCZS4O%2F20231128%2Fus-
east-1%2Fs3%2Faws4_request&X-Amz-
Signature=6c6b0c3d6ffa84a884754a02f65510dd00400b15bd857f5c8e0a13fc72294c
29&hash=657851f80d6519a8119fb77c59b5e8fa28f478f8b9e2178ec87c2a8bf3379de
f&host=68042c943591013ac2b2430a89b270f6af2c76d8dfd086a07176afe7c76c2c61
&pii=S1474667016375371&tid=spdf-872ef7f7-0b58-403e-aab1-
9832d6e2b204&sid=725a7abb38894740fd89d0275eb582ce3620gxrqa&type=client&
tsoh=d3d3LnNjaWVuY2VkaXJlY3QuY29t&ua=0c1757540a5d5c525c&rr=82d3378cdf
12a5c2&cc=br

28/11

Rede neural - https://didatica.tech/introducao-a-redes-neurais-e-deep-learning/

Pesquisa -

https://edisciplinas.usp.br/pluginfile.php/5825895/mod_resource/content/1/RN_Conv

olucionais_presentation.pdf

https://cocodataset.org/#home

https://www.geeksforgeeks.org/cnn-introduction-to-pooling-layer/

https://embarcados.com.br/maixduino/

4/12

https://www.iscbrasil.com.br/pt-br/blog/seguranca-patrimonial/a-importancia-do-
controle-de-acesso--objetivos--camadas-e-tecnol.html
 41

5/12 (5/8/2022)

https://docs.micropython.org/en/latest/

5/12