ESCOLA SENAI “ANTÔNIO ERMÍRIO DE MORAES”

CURSO TÉCNICO EM ELETROELETRÔNICA

LEONARDO MAIA

LUCAS HENRIQUE ROCHA

SAMUEL AUGUSTO DE OLIVEIRA CAMPOS

VÍTOR GONÇALVES ARO

SEGURANÇA COM RECONHECIMENTO FACIAL 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

SEGURANÇA COM RECONHECIMENTO FACIAL 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

Segurança com reconhecimento facial para empilhadeiras/
Leonardo Maia, Lucas Rocha, Samuel Campos, Vítor Aro;
Alumínio 2023 49 páginas

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

SEGURANÇA COM RECONHECIMENTO 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 (Tutor)

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
Casimiro Nascimento e Eduardo Farias, pela guia de luz e sabedoria que nos
compartilharam nessa caminhada. Os familiares que acima de tudo sempre nos
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 a 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

Tabela 1 - Acidentes graves ocorridos nos EUA entre 1984 e 1991 relacionados a
empilhadeiras 17
Tabela 2 - Porcentagem dos motivos de acidentes ocorridos com empilhadeiras no
Brasil 18
Tabela 3 - Informações sobre o processador do Maixduino 35
Tabela 4 - Interfaces e dimensões do Maixduino 35
 LISTA DE ILUSTRAÇÕES

Figura 1 - Empilhadeira com garfos de bloco 13

Figura 2 - Empilhadeira vertical 13
Figura 3 - Cálculo de pixels feito para identificação 28
Figura 4 - Filtragem feito pelos Kernels 28
Figura 5 - Matrizes criadas pelas imagens filtradas 29
Figura 6 - Exemplificação de detecção por YOLO 29
Figura 7 - Exemplo de treinamento do base de dados 30
Figura 8 - Atribuição de parâmetros para a identificação 31
Figura 9 - Demonstração da equação da IoU 32
Figura 10 - Identificação de múltiplas identificações no mesmo grid 32
Figura 11 - Sinalizações de acordo com a NBR 33
Figura 12 - Placa Maixduino vista de cima 36
Figura 13 - Projeto de impressão do suporte do projeto 38
Figura 14 - Desenho do acrílico por AutoCAD 39
Figura 15 - Acrílico após os cortes 40
Figura 16 - Componentes dispostos no acrílico 40
Figura 17 - Visão traseira do acrílico 41
Figura 18 - Trecho do código referente as posições dos pontos no rosto 44
Figura 19 - Fluxograma a partir do regime de controle 45
 SUMÁRIO

1 – INTRODUÇÃO .................................................................................................... 11

1.1 Objetivo Geral .................................................................................................... 11

1.2 Objetivo Específico ........................................................................................... 11

2- PESQUISAS BIBLIOGRÁFICAS ......................................................................... 12

2.1 Usos gerais das empilhadeiras ........................................................................ 12

2.1.1 Habilitação e normas regulamentadoras para empilhadeiras (NR-11) ............. 14

2.1.2 Segurança e perigos envolvendo empilhadeiras .............................................. 16

2.1.3 Importância da inserção de máquinas integradas ............................................ 19

2.2 Lei Geral de Proteção de Dados (LGPD) ......................................................... 21

2.3 Redes Neurais ................................................................................................... 22

2.4 Rede Neural Convolucional (CNN ou ConvNet) .............................................. 27

2.4.1 Convolução ...................................................................................................... 28

2.4.2 Aglomeração .................................................................................................... 29

2.5 You Only Look Once (YOLO)............................................................................ 29

2.5.1 Common Objects in Context (COCO Dataset) ................................................. 30

2.5.2 Leaky Rectified Linear Unit (Leaky ReLU)........................................................ 30

2.5.3 Detecção em tempo real .................................................................................. 30

2.5.4 Intersecção de quadrados ................................................................................ 31

2.6 Sinalizações ....................................................................................................... 33

2.6.1 Utilização dos sinalizadores ............................................................................. 33

2.7 Hardware ............................................................................................................ 34

2.7.1 Microcontrolador Para IoT e IA......................................................................... 34

2.8 Software ............................................................................................................. 36

2.8.1 MicroPython ..................................................................................................... 37

2.8.2 MaixPy Integrated Development Environment (IDE) ........................................ 37

3 – DESENVOLVIMENTO ........................................................................................ 38

3.1 Montagem e atributos físicos ........................................................................... 38

3.2 Lógica eletrônica ............................................................................................... 41

3.3 Programação e lógica interna .......................................................................... 42

4 - CONCLUSÃO ...................................................................................................... 46

5 - REFERÊNCIAS ................................................................................................... 48
 11

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
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 conhecidos 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.
 13

2. Canteiros de obras

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.

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:

Figura 1 - Empilhadeira com garfos de bloco

Fonte: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 precisam 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.
Figura 2 - Empilhadeira vertical

Fonte:https://anguslifttrucks.co.uk/wp-content/uploads/2021/02/Capture-1-
300x300.jpg
 14

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

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:

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
 15

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

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 esse utilitário, 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.
 16

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

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 tráfego de várias empilhadeiras no mesmo local pode 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:
 17

Tabela 1 - Acidentes graves ocorridos nos EUA entre 1984 e 1991 relacionados a empilhadeiras
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
Fonte: OSHA

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)

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

sejam causados por atos inseguros, sendo assim a melhor forma para evitá-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
 18

acidentes dentre movimentações de cargas, os casos têm como análise os casos mais
possíveis para a causa do acidente, como apresentado na tabela 2:
Tabela 2 - Porcentagem dos motivos de acidentes ocorridos com empilhadeiras no Brasil
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%
Fonte: AFANP

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.”

Esses perigos não podem ser subestimados e análises frequentes são

fundamentais para proteção da integridade física do trabalhador 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;
 19

● 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.

Aliciados a isso, uma das normas regulamentadoras referente a proteção de

máquinas à NR-12, ou seja, ela atende que os utilitários industriais certos requisitos
para a montagem de empilhadeiras, eles consistem em efetivamente:

12.4.1: Os dispositivos de partida, acionamento e parada das máquinas devem

ser projetados, selecionados e instalados de modo que:

a) não se localizem em suas zonas perigosas;

b) possam ser acionados ou desligados em caso de emergência por outra

pessoa que não seja o operador;

c) impeçam acionamento ou desligamento involuntário pelo operador ou por

qualquer outra forma acidental;

d) não acarretem riscos adicionais; e

e) dificulte-se a burla.

De modo a seguir os conceitos apresentados pela norma, o protótipo pretende

uma forma de cadastro de modo a mitigar riscos, como o uso de crachás que localizam
como pontos de agarramento, o que aumentaria a possibilidade de ocorrência de
acidentes. o uso da biometria é um ótimo modo de garantir que o colaborador esteja
exercendo sua função.

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
 20

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.);
● 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 para as

checagens de rotina e levantamento dos dados de gerenciamento e permissão para
a autorização com máxima eficiência, além de garantir mais uma classe de checagem
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.
 21

2.2 Lei Geral de Proteção de Dados (LGPD)

A LGPD(Lei Geral de Proteção de Dados), como o nome indica, visa à proteção

de dados. Seu âmbito de proteção se encontra delimitado no artigo 1º:

Art. 1º Esta Lei dispõe sobre o tratamento de dados pessoais, inclusive nos
meios digitais, por pessoa natural ou por pessoa jurídica de direito público ou privado,
com o objetivo de proteger os direitos fundamentais de liberdade e de privacidade e o
livre desenvolvimento da personalidade da pessoa natural.

A primeira conclusão que se pode extrair de seu artigo 1º é que a lei não protege
apenas dados em meios digitais, o que corrobora a impressão quanto ao seu atraso,
mormente diante da já mencionada preocupação que juristas externavam sobre a
proteção de dados há mais de um século.

O objeto da lei é a disciplina do tratamento de dados pessoais, feito por pessoa

natural ou jurídica, esta de direito público ou privado. Segundo o artigo 3º, que não
observa a melhor técnica redacional e legislativa, com explicitações desnecessárias,
o âmbito territorial de sua aplicação é fixado pela ocorrência no território brasileiro de
quaisquer das quatro situações listadas: a) operação de tratamento, b) fornecimento
de bens ou serviços, c) dados de indivíduos ali localizados e d) coleta ali realizada.

A ação regulamentada pela norma é o tratamento de dados pessoais, definido

em seu artigo 5º, X:

Art. 5º Para os fins desta Lei, considera-se:

X - tratamento: toda operação realizada com dados pessoais, como as que se

referem a coleta, produção, recepção, classificação, utilização, acesso, reprodução,
transmissão, distribuição, processamento, arquivamento, armazenamento,
eliminação, avaliação ou controle da informação, modificação, comunicação,
transferência, difusão ou extração;

Em termos mais simples, toda utilização de dados pessoais por terceiros se

sujeita ao âmbito de proteção da LGPD. A propósito do conceito de dados, a própria
lei a define como toda informação relacionada a pessoa natural (art. 5º, I). Vale dizer,
o uso de qualquer informação pessoal por terceiros passa, com a vigência da LGPD,
a ser objeto das limitações por ela impostas.
 22

Os princípios da LGPD no contexto geral do trabalho são a finalidade de propor

para qual serão usados os dados faciais coletados, nesse caso o reconhecimento
facial.

A necessidade da coleta e o processamento de dados devem ser limitados a

alcançar a finalidade da proposta. A transparência de como os dados serão usados
utilizados, e de quanto tempo serão armazenados para assegurar a política de
exclusão de dados conforme os princípios da LGPD, todos os registros e dados serão
devidamente apagados imediatamente após término do trabalho. A prática está
alinhada com a transparência e necessidade de limitar a retenção dos dados ao tempo
necessário para a finalidade proposta.

2.3 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
aprimorar continuamente. As redes neurais artificiais tentam solucionar
problemas complicados, como resumir documentos ou reconhecer rostos
com grande precisão. (AWS, 2022)

Haykin (2001) destaca que 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
 23

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
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.
 24

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 Haykin (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[...]”. Haykin (2001) também cita as
propriedades úteis e capacidade de uma rede neural como documentado abaixo:

1. Não-linearidade

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
 25

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
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,
 26

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

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
 27

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.
● 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.

2.4 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.
 28

Figura 3 - Cálculo de pixels feito para identificação

Fonte:https://didatica.tech/wp-content/uploads/2020/09/image-5-768x406.png

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:

2.4.1 Convolução

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.
Figura 4 - Filtragem feito pelos Kernels

Fonte: https://i.stack.imgur.com/fvXjE.jpg
 29

2.4.2 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, essa divisão está exibida na figura 5.
Figura 5 - Matrizes criadas pelas imagens filtradas

Fonte: https://datascience.eu/wp-content/uploads/2020/09/image-8.png

2.5 You Only Look Once (YOLO)

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

objetos juntos de sua base de dados. Essa rede neural classifica imagem, identifica o
objeto nela, sua posição na câmera com um ponto central e destaque 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 6.
Figura 6 - Exemplificação de detecção por YOLO

Fonte:https://miro.medium.com/v2/resize:fit:1400/1*JzTo8JRsXePkq8qlw_A6hw.png
 30

2.5.1 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 7.
Figura 7 - Exemplo de treinamento do base de dados

Fonte:https://cocodataset.org/images/coco-examples.jpg

2.5.2 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).

2.5.3 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
 31

classes. Essas informações determinam um ponto central e uma área em volta do

identificado, como na figura 8.
Figura 8 - Atribuição de parâmetros para a identificação

Fonte: https://www.youtube.com/watch?v=ag3DLKsl2vk

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.

2.5.4 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 9.
 32

Figura 9 - 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:
Figura 10 - Identificação de múltiplas identificações no mesmo grid

Fonte: https://www.youtube.com/watch?v=ag3DLKsl2vk
 33

2.6 Sinalizações

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:
Figura 11 - Sinalizações de acordo com a NBR

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

2.6.1 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.
 34

2.7 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.

2.7.1 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:
 35

Tabela 3 - Informações sobre o processador do Maixduino

ATRIBUTOS IMPORTANTES DA 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
Fonte:https://wiki.sipeed.com/soft/maixpy/en/develop_kit_board/maix_duino.html

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:
Tabela 4 - Interfaces e dimensões do Maixduino
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
Fonte:https://wiki.sipeed.com/soft/maixpy/en/develop_kit_board/maix_duino.html

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 esses recursos físicos da placa:
 36

Figura 12 - Placa Maixduino vista de cima

Fonte: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
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: matrícula do usuário, data e horário de uso.

2.8 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.
 37

2.8.1 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.

2.8.2 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.
 38

3 – DESENVOLVIMENTO

Para o prosseguimento do tópico, foi-se dividido os processos de montagem

em passos, começando pela montagem física do protótipo, eletrônica e programática.

3.1 Montagem e atributos físicos

Para o suporte do nosso trabalho, a impressão 3D foi utilizada para formar esta
peça, ela é uma tecnologia que cria objetos tridimensionais a partir de um modelo
digital, com as parametrizações específicas para ele, como indicado na figura 13.
Figura 13 - Projeto de impressão do suporte do projeto

Fonte:https://cdn.thingiverse.com/renders/35/a9/35/78/e8/b21f6a9633787f9cff
3b7e2abfef294a_display_large.jpg
No contexto do projeto, ela será utilizada para segurar a peça de acrílico
dispondo os componentes. Esses suportes podem ser desenhados de acordo com as
especificações do projeto, permitindo uma fixação precisa e personalizada,
proporcionando maior estabilidade e funcionalidade ao produto.

Para a simulação do ambiente na realidade, o acrílico se mostrou a melhor

opção de um painel de empilhadeira devida uma série de propriedades que o tornam
ideal para essa aplicação específica, já que o acrílico permitiu visão clara dos
componentes alojados dentro da estrutura, o que facilita o posicionamento, inspeção
e manutenção dos dispositivos sem a necessidade de desmontagem, esta
propriedade nos deu enorme vantagem durante o momento dos testes e decisões de
posicionamento de cada item utilizado.
 39

A confecção do acrílico foi produzida com cortes a laser, inserida junto de

indicações e orientações do que o colaborador deve fazer para ter seu rosto
efetivamente registrado, além de se o sistema o localizou.

Para isto, foi feito um desenho técnico levando em consideração todas as

medidas precisas para cada peça, a utilização do programa AutoCAD.
Ele foi crucial no desenho técnico do acrílico devido à sua precisão e escalabilidade,
garantindo encaixes perfeitos. Sua facilidade de edição permite ajustes rápidos,
economizando tempo. O software adere a normas específicas para o acrílico,
assegurando conformidade. Gera informações detalhadas quando à questão são
medidas e cotas, ele também facilita a comunicação ao compartilhar desenhos com
colaboradores e clientes. Consta na figura 14, o desenho feito para os cortes
adequados com suas cotas em milímetros:
Figura 14 - Desenho do acrílico por AutoCAD

Fonte: Autoria Própria

Neste esboço, adicionadas as referências visuais, como símbolos ou

representações gráficas, é fundamental para clarificar funções específicas de cada
componente. Essas referências facilitam a compreensão das peças e seu
funcionamento, agilizando a comunicação entre equipes. Essa prática minimiza erros,
simplifica a montagem, mostrando-se valiosa no protótipo devido à transparência
quanto as posições das peças, o projeto final da peça consta na figura 15.
 40

Figura 15 - Acrílico após os cortes

Fonte: Autoria Própria

Essas representações visuais consistem na indicação de START que é onde a

chave de ignição estará localizada para a ligação da empilhadeira, que está ligada
junto da lógica dos dois LEDs que visam mostrar quando a empilhadeira estará ligada
ou desligada. A iluminação REC ON é um modo de mostrar que o trabalhador
registrado está sendo reconhecido pela câmera em que ele foi registrado usando a
botoeira verde, além da indicação do LCD que mostrará o quadrado na cor verde e
seu nome no sistema. A câmera estará no quadrado logo acima do texto OLHE AQUI,
junto do LCD ao lado direito. As disposições na prática estão exibidas na figura 16.
Figura 16 - Componentes dispostos no acrílico

Fonte: Autoria Própria

 41

3.2 Lógica eletrônica

Os pinos do Maixduino são vitais para conectar e controlar dispositivos

eletrônicos. Eles funcionam como entradas ou saídas digitais, permitindo interação
com botões, LEDs e outros componentes do protótipo. Além disso, alguns pinos
suportam entradas analógicas para sensores de luz ou temperatura. Permitem
também comunicação serial e I2C para conectar a outros dispositivos, além de
fornecer ou receber energia, facilitando a alimentação do microcontrolador com
conexões externas. Essa versatilidade torna os pinos fundamentais para expandir e
diversificar as capacidades dentro do projeto.

Isso permitiu a ligação e configuração dos dispositivos como entrada (como

botões e chaves de ignição), e dispositivos de saída (como LEDs, flash e relay), que
para estas ligações, respectivamente, são colocadas do modo mais ergonômico
possível de modo a facilitar os testes e mais compreensivo para manutenções ou
mudanças futuras. Na figura 17, é exibido as posições e visão traseira do acrílico para
maiores informações.
Figura 17 - Visão traseira do acrílico

Fonte: Autoria Própria

Especificando com clareza quais os pinos em que cada parte se encontra:

• LED ON: Pino 10 físico (GPIO 12)

• RECONHECIMENTO ON: Pino 13 físico (GPIO 3)
• EMP ON: Pino 12 físico (GPIO 10)
• EMP OFF: Pino 11 físico (GPIO 11)
 42

Cada um desses LEDs estará equipado com um resistor de 68Ω (Ohms), para
limitarem sua corrente, mantendo o alto funcionamento sem terem seu brilho
prejudicado. O LED ON, permanecerá como uma indicação de que todo o sistema
está ligado e pronto para funcionamento, logo que a placa Maixduino é acionada. As
de EMP ON e EMP OFF, estão ligadas eletronicamente via a chave de ignição, junto
de uma relay interno que permite esta ligação. Para isto, foi necessário um booster
para ligar um relay que a entrada é 5v já que os pinos do Maixduino enviam saídas de
1,8V e 3,3V.

Porém, a entrada do relé não pode ler abaixo de 5V, e a solução é usar um
amplificador de tensão, que gera uma tensão contínua pulsada em um indutor (ou
capacitor), permitindo que a corrente produza energia magnética (ou elétrica)
armazenada, que é então usado para produzir uma saída. Em outras palavras, um
conversor de tensão DC-DC armazena a energia gerada devido a uma tensão DC
pulsada aplicada a um indutor ou capacitor e a utiliza em sua saída.

Seguindo este conceito, a chave de ignição consegue fazer a ligação desses

componentes sem dificuldades.

Já, a botoeira de cor verde (colocado como entrada), serve como um comando
para a placa dizendo que ele está permitindo o registro do rosto identificado pela
câmera e seus respectivos pontos, eixo X e Y e o nível de profundidade em relação
ao grid.

Essas duas variáveis de entrada encontram-se nos pinos:

• Chave de ignição: Pino 4 (GPIO 23)

• Botão de reconhecimento: Pino 3 (GPIO 22)

3.3 Programação e lógica interna

Primeiramente, o Maixduino utiliza atualizações em seu firmware para as

orientações de identificações do que, e como identificar o rosto das pessoas
efetivamente, essas orientações são chamadas kmodels.

O termo kmodel está associado ao processador Kendryte K210, um

processador de visão computacional e inteligência artificial. O processador foi
projetado para tarefas relacionadas à visão computacional e incorpora aceleração de
hardware para operações específicas de aprendizado de máquina. kmodel refere-se
 43

a um modelo de aprendizado de máquina otimizado para funcionar com eficiência no

Kendryte K210. Esses modelos são normalmente treinados em uma placa Maixduino
(ou outro dispositivo usando um Kendryte K210) e depois convertidos para um formato
específico (chamado kmodel) que pode ser executado com eficiência em hardware de
processador especializado. Portanto, ao instalar o repositório com kmodel em sua
placa Maixduino, você está carregando um modelo de aprendizado de máquina que
foi treinado para executar uma tarefa específica de visão computacional no Kendryte
K210.

No projeto, são utilizados um kmodel relacionado ao aprendizado de máquina,

alocado no seguinte espaço de memória:

• maixpy_v0.6.2_84_g8fcd84a58_openmv_kmodel_v4_with_ide_support:
0x00000

Este modelo permite a conexão junto ao compilador MaixPy, o que habilita o

uso de MicroPython para a programação do microcontrolador.

Já o OpenMV, é uma plataforma de visão computacional de código aberto para

microcontroladores. Equipado com uma câmera integrada e o Maixduino, ele permite
processamento de imagens em tempo real. Sua interface de programação em
MicroPython simplifica o desenvolvimento de aplicativos de visão computacional. Com
recursos como detecção de objetos e reconhecimento de padrões, que será usado
para o monitoramento constante das pessoas. Essa é a ferramenta que será usada
para o processamento visual, oferecendo uma solução acessível e prática para
projetos variados.

Já os SModel na área de Machine Learning referem-se a modelos treinados em

algoritmos de aprendizado de máquina para executar tarefas específicas, como
reconhecimento de imagens, processamento de linguagem natural ou previsões.
Esses modelos, como redes neurais, SVMs ou árvores de decisão, passam por
treinamento com dados para aprender padrões e realizar análises ou tomadas de
decisão automatizadas. Os padrões utilizados no protótipo e seus respectivos
espaços de memória são:

• FaceDetection: 0x300000
• FaceLandmarkDetection: 0x400000
• FeatureExtraction: 0x500000
 44

O SModel denominado FaceDetection determina as caixas de âncora que fará

as detecções faciais e as posições chaves que produzirão uma identificação e a
conexão junto a rede neural YOLO, além da resolução do quadrado delimitador para
o rosto que é de 128x128 pixels.

Já, o FaceLandmarkDetection determina os pontos que serão decisivos para a

diferenciação de pessoa para pessoa pelo sistema, na programação, ela usa cinco
pontos para esta escolha, sendo eles, o olho esquerdo e direito, parte direita do lábio
e esquerda do lábio e nariz, que são inseridas a uma lista fmap vazia, que fará a
verificação constante das mudanças em tempo real, a seção de programação e
variáveis contidas na lista feitos estão apresentados na figura 18.
Figura 18 - Trecho do código referente as posições dos pontos no rosto

Fonte: Autoria Própria

O Smodel FeatureExtraction fará toda a extração destas checagens produzidas

internamente pelas outras condições e mostrará no display LCD, junto das devidas
condições da câmera e o que estar sendo analisado por ela. Ou seja, ela mostrará a
caixa de âncora em volta do identificado e os pontos localizados em seus rostos.

Todas essas alocações referidas, foram feitas com o uso do kflash_gui, uma
ferramenta gráfica usada para gravar firmware, ele é compatível com o Maixduino,
que são microcontroladores populares usados em projetos de IoT e em dispositivos
embarcados. Ele oferece uma interface amigável para gravar firmwares em
dispositivos que usam esses chips.

Para a entrada de variáveis nos pinos, foi substituído a biblioteca machine, pois
não tinha compatibilidade com o processador, ao invés dela uma opção é usar GPIO,
já que ela é um periférico que acompanha o microcontrolador, apesar dela ser focada
em operações básicas de entrada e saída de pinos, ela conseguirá comandar as
variáveis de controle. GPIO tem funcionalidade de enviar tensão e controlar os pinos.

O regime feito pelo programa por meio de um loop while, é explicitado na figura
19:
 45

Figura 19 - Fluxograma a partir do regime de controle

Fonte: Autoria Própria

Isto mostra que pós todas as checagens produzidas pelos modelos de

referência, ele deve produzir o redimensionamento e ajustes, caso o identificado faça
algum movimento brusco e siga este movimento devidamente, junto com a extração
desses pontos acompanhando o alinhamento da face e mudanças das características
com a última checagem feita. Este processo se mantém constante até o desligamento
da placa.
 46

4 – CONCLUSÃO

A relação entre humano e tecnologia por meio do reconhecimento facial em

microcontroladores representa uma ideia significativa na gestão e operação
empresarial, especialmente em ambientes industriais como o uso de empilhadeiras.
Esta tecnologia oferece um potencial considerável para aprimorar a segurança,
eficiência e controle de acesso em locais de trabalho.

No contexto das empilhadeiras, a aplicação do reconhecimento facial pode

trazer mudanças substanciais. A autenticação por reconhecimento facial pode ser
utilizada para permitir o acesso apenas a operadores autorizados, garantindo que
somente pessoal devidamente treinado e credenciado possa operar as máquinas. Isso
não apenas reforça a segurança, mas também pode reduzir o risco de acidentes ou
mau uso, aumentando a confiabilidade operacional.

Além disso, a implementação dessa tecnologia pode resultar em melhorias

logísticas. O reconhecimento facial pode ser integrado aos sistemas de gestão de
frota, permitindo o rastreamento automatizado de operadores e a customização de
configurações para atender às preferências individuais ou requisitos específicos de
cada operador. Isso pode levar a um aumento na eficiência operacional, minimizando
o tempo de inatividade e otimizando o desempenho das empilhadeiras.

Entretanto, a introdução dessa filosofia tecnológica as empresas devem

proceder com cuidado. Aspectos relacionados à segurança cibernética e à privacidade
dos dados dos funcionários precisam ser tratados com extrema cautela. O
armazenamento e uso das informações biométricas coletadas para o reconhecimento
facial precisam estar em total conformidade com as regulamentações de proteção de
dados vigentes.

A cultura empresarial também pode ser impactada. A introdução dessa

tecnologia pode influenciar a maneira como os colaboradores percebem a segurança
no ambiente de trabalho, promovendo uma mentalidade de segurança proativa e
responsabilidade individual. A criação de uma cultura que priorize a segurança pode
resultar em ambientes de trabalho mais seguros, reduzindo incidentes e promovendo
a saúde e o bem-estar dos funcionários.
 47

Em suma, o reconhecimento facial em utilitários oferece uma gama de

benefícios potenciais para empresas que operam com empilhadeiras e em diversos
setores industriais. No entanto, sua implementação deve ser cuidadosamente
planejada e executada, considerando os aspectos de segurança, privacidade,
treinamento adequado e impacto cultural para maximizar os benefícios e minimizar os
riscos associados a essa tecnologia.
 48

5 - REFERÊNCIAS

AHM SOLUTION. Acidentes com empilhadeiras: conheça 15 fatores de risco e

prováveis causas. Disponível em: https://www.ahmsolution.com.br/acidentes-com-
empilhadeiras/#:~:text=De%20acordo%20com%20dados%20estat%C3%ADsticos,%
2C%20em%2016%25%20do%20total. Acesso em 11 nov. 2023.

AMAZON WEB SERVICES. O que é uma rede neural? Disponível em:

https://aws.amazon.com/pt/what-is/neural-network/. Acesso em: 21 nov. 2023.

ANGUS LIFT TRUCKS LTD. Os 10 principais usos de empilhadeiras. Disponível

em: https://anguslifttrucks.co.uk/os-10-principais-usos-de-empilhadeiras/?lang=pt-br.
Acesso em 31 nov. 2023

ASSESSORIA EAEMÁQUINAS. Acidentes com empilhadeiras respondem por 1

em cada 6 mortes no trabalho. Disponível em: https://eaemaq.com.br/noticias-
sobre-dica-tecnica/acidentes-com-empilhadeiras-respondem-por-1-em-cada-6-
mortes-no-trabalho/. Acesso em 11 nov. 2023.

BOMBONATO, L. Contexto Histórico E Finalidade Da Lei Geral De Proteção De

Dados (LGPD). Instituto Avançado de Proteção de Dados – IAPD. Disponível em:
https://iapd.org.br/contexto-historico-e-finalidade-da-lei-geral-de-protecao-de-dados-
lgpd/. Acesso em 8 dez. 2023.

BRASIL, Portal MTP, Nº 4219, Brasília: Esplanada dos Ministérios, 2022. Disponível
em: https://www.gov.br/trabalho-e-emprego/pt-br/acesso-a-informacao/participacao-
social/conselhos-e-orgaos-colegiados/comissao-tripartite-partitaria-
permanente/arquivos/normas-regulamentadoras/nr-12-atualizada-2022-1.pdf. Acesso
em 8 dez. 2023

BRASIL, Portal MTPS, Nº 505, Brasília: Esplanada dos Ministérios, 2023. Disponível
em: 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. Acesso em: 17 nov. 2023.

DIDÁTICA TECH. O que são Redes Neurais e Deep Learning? Disponível em:
https://didatica.tech/introducao-a-redes-neurais-e-deep-learning/. Acesso em: 12 set.
2023.

FAST SOLUTION. Cores dos dispositivos de controle. Disponível em:

https://fastautomacao.com.br/blog/2020/05/12/378/ Acesso em: 24 ago. 2023.
 49

FRANCO, C. Empilhadeiras: Quais os riscos e como evitar acidentes. Sistema

ESO. Disponível em: https://sistemaeso.com.br/blog/seguranca-no-
trabalho/empilhadeiras-quais-os-riscos-e-como-evitar-acidentes. Acesso em: 27 nov.
2023.

GROSSBERG, S. Neural Networks and Natural Intelligence, Boston, USA: Bradford

Books,1ª ed., 1992. Disponível em: https://direct.mit.edu/books/book/4791/Neural-
Networks-and-Natural-Intelligence Acesso em: 17 nov. 2023.

HAYKIN, S. Redes Neurais: Princípios e Prática, Porto Alegre: Bookman Editora, 2ª

ed., 2007. Disponível em: https://books.google.com.br/books?hl=pt-
BR&lr=&id=bhMwDwAAQBAJ&oi=fnd&pg=PP1&dq=redes+neurais&ots=09qlJHTYJq
&sig=5oZlduVCa144iJHOm0iC4VIAgXk#v=onepage&q=redes%20neurais&f=false
Acesso em: 17 nov. 2023.

ISC BRASIL. A importância do controle de acesso: objetivos, camadas e

tecnologias. Disponível em: https://www.iscbrasil.com.br/pt-br/blog/seguranca-
patrimonial/a-importancia-do-controle-de-acesso--objetivos--camadas-e-tecnol.html.
Acesso em 5 dez. 2023.

KERLIRZIN, P.; VALLET, F. Robustness in Multilayer Perceptrons, Orsay, França,

MIT, 5ª ed., 1993. Disponível em: https://direct.mit.edu/neco/article-
abstract/5/3/473/5726/Robustness-in-Multilayer-Perceptrons?redirectedFrom=PDF.
Acesso em: 17 nov. 2023.

KHOSLA, S. et. al. CNN | Introduction to Pooling Layer. Geeks for Geeks.
Disponível em:https://www.geeksforgeeks.org/cnn-introduction-to-pooling-layer/.
Acesso em 12 set. 2023.

MICROPYTHON ORGANIZATION. Overview – MicroPython latest documentation.

Disponível em: https://docs.micropython.org/en/latest/. Acesso em 5 dez. 2023.

NAVARRO, A. F. Acidentes causados durante a movimentação de cargas: Uma

Análise Estatística dos acidentes. Universidade Federal Fluminense: Editora
Roncarati, 2012. Disponível em:
https://www.editoraroncarati.com.br/v2/phocadownload/artigos_e_estudos/Acidentes
_Causados_Durante_a_Movimentacao_de_Cargas.pdf. Acesso em 11 nov. 2023.

NETO, N. W. Preciso ter CNH para dirigir ou operar empilhadeira. Segurança do

trabalho NWN. Disponível em: https://segurancadotrabalhonwn.com/preciso-ter-cnh-
para-dirigir-ou-operar-empilhadeira/. Acesso em: 17 nov. 2023.

NIELSEN, M. Neural Networks and Deep Learning, 9ª ed., 2015. Disponível em:
https://static.latexstudio.net/article/2018/0912/neuralnetworksanddeeplearning.pdf.
Acesso em: 21 nov. 2023.
 50

PINTO, P. D. S. IMPORTÂNCIA DE DISPOSITIVOS DE SEGURANÇA NA

PREVENÇÃO DE ACIDENTES ENVOLVENDO EMPILHADEIRAS. Taubaté, 2018.
Disponível em:
http://repositorio.unitau.br/jspui/bitstream/20.500.11874/4274/1/Monografia%20PAUL
O%20DOUGLAS%20DE%20SOUZA%20PINTO.pdf. Acesso em: 27 nov. 2023.

SENAI Francisco Matarazzo. NR-11 - OPERAÇÃO DE EMPILHADEIRA. Portal

SENAI-SP. Disponível em: https://textil.sp.senai.br/curso/69908/107/nr11-operacao-
de-empilhadeira. Acesso em: 17 nov. 2023.

SOUZA, F. Maixduino: uma super placa com RISC-V AI e ESP32. Embarcados.

Disponível em: https://embarcados.com.br/maixduino/. Acesso em 4 dez. 2023.

TSUNG-YI, L. et. al. COCO: Common Objects in Context. COCO Dataset.

Disponível em: https://cocodataset.org/#home. Acesso em 18 set. 2023.

UNIVERSIDADE DE SÃO PAULO. Redes Neurais Convolucionais: Revisão e

exemplo (Matlab). São Paulo. Disponível em:
https://edisciplinas.usp.br/pluginfile.php/5825895/mod_resource/content/1/RN_Conv
olucionais_presentation.pdf. Acesso em 12 set. 2023

VELASCO, K. YOLO (You Only Look Once). A simple explanation of a real-time

object detection algorithm! Towards Data Science. Disponível em:
https://towardsdatascience.com/yolo-you-only-look-once-17f9280a47b0. Acesso em:
20 out. 2023.