GLEICIANE JOSÉ DA SILVA e ELIZÂNEA CHRISTIANE LIMA CAMPELO - Prof. Fernando Ferreira Carvalho

UNIFBV
CENTRO UNIVERSITÁRIO UNIFBV

COORDENAÇÃO DE ENGENHARIA
CURSO DE BACHARELADO EM ENGENHARIA DA COMPUTAÇÃO
ELIZÂNEA C. L. CAMPELO
GLEICIANE JOSÉ DA SILVA
VALIDAÇÃO DE USABILIDADE DE UM PROTÓTIPO DESENVOLVIDO PARA O

RECONHECIMENTO DE MOEDAS PARA DEFICIENTES VISUAIS
RECIFE – PE
2021

Trabalho de Conclusão de Curso apresentado ao

Curso de Engenharia da Computação do Centro
Universitário UniFBV, como requisito para obtenção
do título de Bacharel em Engenharia da
Computação.
Orientador: Prof. Dr. Fernando Ferreira Carvalho
RECIFE – PE
2021

Trabalho de Conclusão de Curso apresentado ao

Curso de Engenharia da Computação do Centro
Universitário UniFBV, como requisito para obtenção
do título de Bacharel em Engenharia da
Computação.
Orientador: Prof. Dr. Fernando Ferreira Carvalho
Aprovada em: _____/_____/____
______________________________________
Prof. Dr. Fernando Ferreira Carvalho
Orientador
______________________________________
Avaliador(a)
________________________________________
Avaliador(a)
RECIFE – PE
2021
Dedicamos este trabalho a Deus e à minha
família, em especial a minha mãe, mulher
forte e guerreira que nos apoiou em todos
os momentos difíceis.
AGRADECIMENTOS
Ao longo desses seis anos de Graduação, vários conhecimentos foram

adquiridos e compartilhados. Momentos de alegrias, choros, dificuldades e
amadurecimentos sempre estiveram presentes durante todos estes períodos.
Em primeiro lugar, gostaríamos de agradecer a Deus, que nos deu força,
paciência, confiança, sabedoria, e acima de tudo fé para continuamos aprendendo e
crescendo, acreditando que mesmo diante das dificuldades tudo era possível, e por
estar sempre ao nosso lado em todos os momentos da graduação e da vida.
Somos imensamente gratas aos nossos amados pais, que nos ensinaram e
mostraram que a simplicidade, humildade, força de vontade, dedicação, perseverança
e estudo, são a base para construir um caminho e alcançarmos nossos objetivos e
sonhos, e, acima de tudo, amando e respeitando o próximo.
A todos os nossos irmãos, e ao cachorrinho Billy que sempre nos incentivaram,
alegraram e ajudaram em todos os momentos.
A amiga-irmã, Maisa Batista, e ao amigo-professor Paulo Martins por toda
acolhida, alegria, palavras de apoio, conselhos, encorajamento e amizade ao longo
de todo este tempo, fazendo com que fosse uma das melhores fases da nossa vida.
Agradecemos a todos os professores por todo conhecimento, ensinamento e
conselhos transmitidos em sala de aula, pois foram de uma valiosa importância para
nossa formação.
“Só se vê bem com o coração. O essencial é invisível aos olhos.”
(Antoine de Saint-Exupéry)
RESUMO
Levando em consideração o índice significativo de pessoas com deficiência visual que

sofrem com a falta de acessibilidade, o presente trabalho trata-se de um estudo sobre
os recursos da tecnologia assistiva bem como a importância e utilidade de um
aplicativo para o reconhecimento monetário na vida das pessoas com essa
deficiência. Essa pesquisa foi constituída em quatro partes. Na primeira foi realizado
um estudo de viabilidade na qual ficou evidente a necessidade de um aplicativo para
o reconhecimento de moedas, a partir de conversas e sugestões dos deficientes
visuais entrevistados. Na segunda foi feita uma pesquisa bibliográfica para compor o
referencial teórico deste trabalho de conclusão de curso. Na terceira foi desenvolvido
um protótipo, denominado APP See, que faz uso de visão computacional e rede neural
convolucional para o reconhecimento de moedas brasileiras. Na última etapa foi
executada a validação da demanda de um APP voltado para análise de moedas em
termos de usabilidade utilizando um questionário desenvolvido pelas autoras seguindo
a NBR ISO/IEC 9126-1. Diante dos resultados encontrados, conclui-se que os
recursos da tecnologia assistiva são fundamentais para auxiliar a pessoa portadora
de deficiência visual em suas atividades diárias. Além disso, o protótipo contribui para
a inclusão social proporcionando melhor qualidade de vida e gerando mais autonomia
e segurança para os deficientes visuais. Percebe-se, também, a necessidade de
estudos futuros para melhorar a validação de usabilidade e implementação do APP,
visto que o projeto foi idealizado, analisado e programado apenas pelas
desenvolvedoras do aplicativo. Somado a isso, será também disponibilizado, em
pesquisas futuras, uma versão do protótipo para sistemas operacionais Android e IOS,
além de aperfeiçoar o APP See para identificar e calcular diversas moedas ao mesmo
tempo, bem como para fazer o reconhecimento automático de moedas de outros
países.
Palavras-chave: tecnologia assistiva; deficiência visual; visão computacional; redes

neurais convolucionais; avaliação de usabilidade.
ABSTRACT
Taking into account the significant rate of blind people who suffer from the lack of
accessibility, the present work is a study about the assistive technology resources as
well as the importance and usefulness of an application for monetary recognition in the
lives of people with this disability. This research was composed of four parts. Firstly, a
feasibility study was carried out, in which it became evident the need for an application
for currency recognition, based on conversations and suggestions from the visually
impaired people interviewed. Secondly, bibliographic research was done to compose
the theoretical referential of this work. Thirdly, a prototype was developed, named APP
See, which uses computer vision and convolutional neural network to recognize
Brazilian coins. Finally, the demand validation of an APP focused on currency analysis
in terms of usability was performed using a questionnaire developed by the authors
based on the NBR ISO/IEC 9126-1. From the results, it can be concluded that assistive
technology resources are fundamental to help visually impaired people in their daily
activities. Furthermore, the prototype contributes to social inclusion, providing a better
quality of life and generating more autonomy and safety. It is also noticed the need for
future studies to improve the validation of usability and implementation of the APP
since the project was idealized, analyzed, and programmed only by the application
developers. Moreover, a version of the prototype for Android and IOS operational
systems will also be made available in future research, besides improving the See APP
to identify and calculate several currencies at the same time, as well as to make the
automatically recognition of currencies from other countries.
Key words: assistive technology; visual impairment; computer vision; convolutional

neural networks; usability evaluation.
LISTA DE FIGURAS
Figura 1 – Passos metodológicos do presente TCC ................................................ 18

Figura 2 – Persona 1 ................................................................................................ 52
Figura 3 – Persona 2 ................................................................................................ 53
Figura 4 – Mockup do APP See ............................................................................... 54
Figura 5 – Diagrama de Interação do Protótipo APP See ........................................ 55
Figura 6 – Explorando o APP See............................................................................ 55
Figura 7 – Modelo de Arquitetura CNN .................................................................... 56
Figura 8 – Resumo dos parâmetros utilizados na rede neural .................................. 57
Figura 9 – Referente ao dataset e a acurácia da rede neural ................................... 58
LISTA DE QUADROS
Quadro 1 – Subcaracterísticas de Usabilidade – NBR 9126-1 ................................. 38

Quadro 2 – Recursos utilizados em afazeres do dia a dia ........................................ 46
LISTA DE TABELA
Tabela 1 – Dados do Censo Demográfico IBGE 2010 ............................................. 23

LISTA DE GRÁFICOS
Gráfico 1 – Porcentagem da população por tipo, grau de dificuldade e deficiência,

Brasil ‒ 2010 ............................................................................................................ 16
Gráfico 2 – Nível de escolaridade ............................................................................ 45
Gráfico 3 – Tipo de deficiência visual ....................................................................... 45
Gráfico 4 – Grau de perda visual.............................................................................. 46
Gráfico 5 – Ferramentas utilizadas em suas atividades do dia-a-dia ........................ 47
Gráfico 6 – Frequência do uso do computador......................................................... 47
Gráfico 7 – Frequência do uso do celular ................................................................. 48
Gráfico 8 – Frequência do uso do tablet................................................................... 48
Gráfico 9 – Importância de criação de um aplicativo de reconhecimento de moedas
................................................................................................................................. 48
Gráfico 10 – Escolha do desenvolvimento de um APP............................................. 49
Gráfico 11 – Reconhecimento de cédulas do aplicativo Meu Dinheiro ..................... 49
Gráfico 12 – Feedback no reconhecimento de cédulas do aplicativo Meu Dinheiro . 50
Gráfico 13 – Manuseio do APP Meu Dinheiro .......................................................... 51
Gráfico 14 – Classificação do aplicativo Meu Dinheiro quanto a sua facilidade de
manuseio ................................................................................................................. 51
LISTA DE ABREVIATURAS E SIGLAS
APP Aplicativo
CNN Convolutional Neural Network
CTA Centro Tecnológico de Acessibilidade
GUI Graphical User Interface
IBGE Instituto Brasileiro de Geografia e Estatística
IBM International Business Machines Corporation
IDE Integrated Development Environment
IEC International Electrotechnical Commission
ISO International Organization of Standardization
MEC Ministério da Educação e Cultura
NBR Norma Brasileira
OHA Open Handset Alliance
OMS Organização Mundial da Saúde
OpenCV Open Source Computer Vision
SDK Software Development Kit
SNPD Secretaria Nacional de Promoção dos Direitos da Pessoa com
Deficiência
SUS System Usability Scale
TCC Trabalho de Conclusão de Curso
WRD World Report on Disability
SO Sistema Operacional
SUMÁRIO
1 INTRODUÇÃO ........................................................................................ 16
1.1 CONTEXTUALIZAÇÃO DO PROBLEMA DA PESQUISA ....................... 18
1.2 OBJETIVOS ............................................................................................ 19
1.2.1 Objetivo Geral ........................................................................................ 19
1.2.2 Objetivos Específicos ........................................................................... 19
1.3 JUSTIFICATIVA ...................................................................................... 20
2 FUNDAMENTAÇÃO TEÓRICA .............................................................. 21
2.1 DEFICIÊNCIA VISUAL ............................................................................ 21
2.2 TECNOLOGIA ASSISTIVA...................................................................... 23
2.3 INTELIGÊNCIA ARTIFICIAL ................................................................... 25
2.3.1 Redes Neurais Convolucionais ............................................................ 26
2.3.1.1 Visão Computacional............................................................................... 27
2.3.1.1.1 Processamento digital de imagens .......................................................... 29
2.3.1.1.2 Biblioteca OpenCV (Open Source Computer Vision Library) ................... 31
2.3.1.2 Biblioteca TensorFlow ............................................................................. 32
2.4 ANDROID ................................................................................................ 33
2.4.1 Tecnologias de Voz ............................................................................... 34
2.4.1.1 Reconhecimento de Voz ......................................................................... 34
2.4.1.2 Sintetizador de Voz ................................................................................. 35
2.5 AVALIAÇÃO DE USABILIDADE .............................................................. 36
2.6 TRABALHOS RELACIONADOS ............................................................. 38
3 METODOLOGIA ..................................................................................... 40
3.1 CLASSIFICAÇÃO DA PESQUISA ........................................................... 40
3.2 UNIVERSO E AMOSTRA ........................................................................ 41
3.3 COLETA E ANÁLISE DOS DADOS ........................................................ 42
4 ANÁLISE E RESULTADOS DOS DADOS ............................................. 43
4.1 ESTUDO DE VIABILIDADE..................................................................... 43
4.1.1 Questionário .......................................................................................... 44
4.1.2 Entrevista e criação de personas ......................................................... 52
4.2 DESENVOLVIMENTO DO PROTÓTIPO................................................. 54
4.2.1 Processo de Prototipagem ................................................................... 54
4.2.2 Rede Neural ........................................................................................... 56
4.3 VALIDAÇÃO DO USUÁRIO .................................................................... 58
5 CONSIDERAÇÕES FINAIS .................................................................... 61
5.1 CONTRIBUIÇÕES .................................................................................. 62
5.2 LIÇÕES APRENDIDAS ........................................................................... 63
5.3 TRABALHOS FUTUROS ........................................................................ 64
REFERÊNCIAS ....................................................................................... 65
APÊNDICE A – PESQUISA SOBRE A ANÁLISE DE UM APLICATIVO
VOLTADO PARA DEFICIENTES VISUAIS ............................................ 74
APÊNDICE B – ENTREVISTA COM DEFICIENTE VISUAL ................... 79
APÊNDICE C – PERSONAS .................................................................. 82
APÊNDICE D – QUESTIONÁRIO DE USABILIDADE ............................ 83
1 INTRODUÇÃO
Sabe-se que no Brasil temos um quadro com um índice considerável de

pessoas com deficiência visual que ainda sofrem com a falta de acessibilidade.
Segundo o Censo Demográfico de 2010, realizado pelo Instituto Brasileiro de
Geografia e Estatística (IBGE), encontra-se grande número de pessoas com
deficiência visual (Gráfico 1), sendo: mais de 500 mil pessoas com cegueira total; 6
milhões com grande dificuldade em enxergar; 29 milhões e 200 mil pessoas com
alguma dificuldade para enxergar (GUIMARÃES; AMADEU; MARÇAL, 2016, apud
IBGE, 2010).
Gráfico 1 – Porcentagem da população por tipo, grau de dificuldade e deficiência, Brasil ‒ 2010
Fonte: IBGE educa, Censo Demográfico (2010).
Silveira (2020) diz que o uso de tecnologias móveis (tais como os smartphones
e aplicativos mobile) possibilita que as pessoas tenham acesso a informações a
qualquer momento, em qualquer lugar e por qualquer pessoa, pois as tecnologias
móveis atualmente estão presentes até mesmo em áreas onde livros e computadores
são escassos.
Com o avanço dos recursos tecnológicos, a inclusão social tem permitido que
o indivíduo com deficiência visual possa estar cada vez mais integrado ao meio em
16
que ele está inserido. O surgimento da tecnologia assistiva tem como objetivo a
utilização de ferramentas que auxiliam pessoas com deficiência visual nas tarefas
comuns do dia a dia, como é o caso dos meios de acessibilidade TalkBack e o
VoiceOver, recursos padrões de leitores de tela disponibilizados nos sistemas Android
e IOS que auxiliam o deficiente visual na utilização do seu dispositivo móvel (CTA –
Centro Tecnológico de Acessibilidade/RS, 2021).
Dessa forma, o presente TCC pretende analisar a viabilidade do aplicativo Meu
Dinheiro mediante investigação da sua funcionalidade na identificação de cédulas,
bem como o feedback obtido através da saída sonora, constatando ou não se o
aplicativo conseguiu ser utilizado independentemente pelo usuário com deficiência
visual, sem o auxílio de terceiros. Além disso, propõe-se desenvolver um protótipo de
um APP chamado See que visa reconhecer o valor de uma moeda brasileira ao fazer
uma compra ou um pagamento, com o intuito de solucionar os reais problemas
enfrentados pelos deficientes nas realizações de tarefas simples do seu dia a dia,
contribuindo com maior independência e qualidade de vida de forma acessível. Por
fim, este TCC se propõe a implementar o protótipo do APP See baseado na demanda
evidenciada pela pesquisa de caso e na pesquisa de usabilidade realizada pelas
autoras cumprido os critérios do questionário de System Usability Scale (SUS) para
avaliar a usabilidade em termos de inteligibilidade, apreensibilidade, operacionalidade,
atratividade e conformidade relacionada à usabilidade.
Neste contexto, o presente Trabalho de Conclusão de Curso (TCC) encontra-
se estruturado nas etapas descritas pela Figura 1. No passo 1 (fundamentação
teórica) foram pesquisados os seguintes assuntos: deficiência visual, tecnologias
assistivas, inteligência artificial, redes neurais, visão computacional, processamento
digital de imagens, biblioteca openCV, biblioteca tensorflow, android, tecnologias de
voz, reconhecimento do comando de voz, sintetizador de voz, avaliação de
usabilidade e trabalhos relacionados. No passo 2 foi feito um estudo de caso do
aplicativo denominado Meu Dinheiro, disponível na Play Store, com o intuito de
verificar sua usabilidade e aceitabilidade dos usuários com relação à tecnologia
assistiva. No passo 3 foi feito o desenvolvimento do protótipo APP See, que se propõe
a identificar o valor das moedas para os deficientes visuais. Por fim, no passo 4 foi
realizada a validação da proposta para avaliar a usabilidade do APP See
17
Figura 1 – Passos metodológicos do presente TCC
Fonte: Elaborada pelas autoras.
1.1 CONTEXTUALIZAÇÃO DO PROBLEMA DA PESQUISA
Entre tantas dificuldades que as pessoas com deficiência visual enfrentam, o

uso de um aplicativo contribui auxiliando com ações simples do seu cotidiano, como
por exemplo, atravessar a rua, ler bulas de remédios e realizar compras. Diante da
realidade atual com os grandes avanços tecnológicos, um dos desafios enfrentados é
o reconhecimento do valor de uma moeda (MEC – Secretaria de Educação a
Distância, 2001).
Nos últimos anos o conjunto de recursos e serviços que contribuem para
proporcionar ou ampliar habilidades funcionais de pessoas com deficiência e
consequentemente promover vida independente e inclusão social, estão sendo
denominadas de Tecnologia Assistiva (GUIMARÃES; AMADEU; MARÇAL, 2016,
apud SARTORETTO; BERSCH, 2018).
Nesse sentido, a gama que envolve as tecnologias de apoio torna-se cada vez
mais perceptível no meio das pessoas com deficiência, dentre elas a visual. O que as
tecnologias adaptativas oferecem com os diversos mecanismos que possuem,
corrobora com a construção de uma vida autônoma, assegurada e livre. Com foco na
pessoa com deficiência visual, este trabalho estará analisando o aplicativo Meu
Dinheiro, que busca mecanismos e soluções adequando ao uso da tecnologia
18
assistiva, para que as mesmas consigam identificar o valor de uma cédula ao executar
tarefas simples do seu cotidiano. A partir desta pesquisa foi identificada a necessidade
de desenvolver um aplicativo para o reconhecimento de moedas brasileiras.
Assim sendo, também foi desenvolvido o protótipo do APP See, utilizando
inteligência artificial com visão computacional e redes neurais convolucionais em
Python, buscando oferecer soluções adequadas ao uso da tecnologia assistiva, para
que as pessoas com deficiências visuais consigam identificar o valor de uma moeda
ao executar tarefas simples do seu cotidiano. Por isso, o objetivo deste trabalho de
conclusão de curso é responder a seguinte questão: “Um aplicativo para
reconhecimento de moedas auxilia na vida cotidiana dos deficientes visuais?
1.2 OBJETIVOS
1.2.1 Objetivo Geral
Analisar o aplicativo Meu Dinheiro e desenvolver um protótipo, denominado

APP See, utilizando inteligência artificial com visão computacional e redes neurais
convolucionais em Python, a fim de facilitar o reconhecimento de moedas brasileiras
para os deficientes visuais em suas atividades, observando o grau de independência
nas tarefas comuns do cotidiano, deixando-os livres de ajuda de desconhecidos, bem
como seguros, auxiliando na sua qualidade de vida.
1.2.2 Objetivos Específicos
• Contribuir para a inclusão social e proporcionar melhor qualidade de vida para

as pessoas com deficiências visuais;
• Desenvolver um protótipo do APP See com o uso da Tecnologia Assistiva,
gerando mais autonomia e segurança para os deficientes visuais;
19
• Verificar a assertividade do protótipo em reconhecimento de moedas;
• Analisar a importância da utilidade do protótipo na vida das pessoas com
deficiências.
• Auxiliar os deficientes visuais na identificação dos valores de moedas
brasileiras ao executar tarefas simples do seu cotidiano.
1.3 JUSTIFICATIVA
A deficiência visual, em qualquer grau, compromete a capacidade da pessoa

de se orientar e de se movimentar no espaço com segurança e independência, o que
ressalta a importância do desenvolvimento de tecnologias que contribuam para a
melhoria da qualidade de vida destas pessoas. De acordo com dados do IBGE, em
2010, 3,46% da população brasileira apresentava deficiência visual severa (SNPD,
2012, p. 6).
Além disso, hoje em dia a comunicação tem ocorrido cada vez mais no âmbito
digital, o que afasta os indivíduos com deficiência visual quando a tecnologia não está
preparada para incluí-los. As pessoas com essa deficiência vêm enfrentando um
grande desafio na inclusão digital por conta disso. Desta forma, percebe-se a
necessidade de novos métodos que os auxiliem nas tarefas simples do seu dia a dia.
Ao passo que os recursos de tecnologias assistivas e o uso incessante dos
dispositivos móveis vêm crescendo, surge a necessidade de se adequar ao novo
cenário tecnológico. A usabilidade do aplicativo de identificação de moedas para os
deficientes visuais deve ser adequada, a fim de ajudá-los no reconhecimento dos
possíveis valores, garantindo mais segurança ao efetuar pagamentos em suas
compras ou até mesmo passar e receber troco.
20
2 FUNDAMENTAÇÃO TEÓRICA
2.1 DEFICIÊNCIA VISUAL
A visão é o canal mais importante na relação do indivíduo com o mundo

exterior. É através dela e com ela que é possível captar registros de imagens e
cenários, por exemplo. Por um motivo ou outro, muitas pessoas entram no quadro da
deficiência visual, que independentemente do grau, compromete a capacidade do ser
humano se guiar e se locomover no ambiente com autoconfiança e liberdade (MEC –
Secretaria de Educação a Distância, 2000).
Adicionalmente, os graus de visão englobam uma larga escala de
possibilidades que vão desde a cegueira total até a visão perfeita. A expressão
“deficiência visual” se refere ao espectro que vai da cegueira até a baixa visão.
Assim, o Art. 70 da legislação (2004), define:
Deficiência visual: cegueira, na qual a acuidade visual é igual ou menor que

0,05 no melhor olho, com a melhor correção óptica; a baixa visão, que
significa acuidade visual entre 0,3 e 0,05 no melhor olho, com a melhor
correção óptica; os casos nos quais a somatória da medida do campo visual
em ambos os olhos for igual ou menor que 60º; ou a ocorrência simultânea
de quaisquer das condições anteriores. (BRASIL. Decreto nº 5.296, 02 de
dezembro 2004)
De modo mais simples, cegueira é a total incapacidade ou baixa capacidade

de enxergar. Já a baixa visão, ou também conhecida como visão subnormal, refere-
se ao comprometimento do funcionamento ocular. Neste último caso, os indivíduos
conseguem ler textos impressos com caracteres ampliados ou com auxílios especiais,
como óculos telescópicos, lupas de apoio, telelupas e leitores de tela.
A Secretaria de Educação Especial (2006) conceitua:
Baixa visão - é a alteração da capacidade funcional da visão, decorrente de

inúmeros fatores isolados ou associados tais como: baixa acuidade visual
21
significativa, redução importante do campo visual, alterações corticais e/ou
de sensibilidade aos contrastes que interferem ou limitam o desempenho
visual do indivíduo. A perda da função visual pode ser em nível severo,
moderado ou leve, podendo ser influenciada também por fatores ambientais
inadequados. Cegueira - É a perda total da visão até a ausência de projeção
de luz. Do ponto de vista educacional, deve-se evitar o conceito de cegueira
legal (acuidade visual igual ou menor que 20/200 ou campo visual inferior a
20° no menor olho), utilizada apenas para fins sociais, pois não revelam o
potencial visual útil para execução de tarefas.” (MEC, 2006, p. 16)
De acordo com dados da Fundação Dorina Nowil para cegos (2019) “Do total
da população brasileira, 23,9% (45,6 milhões de pessoas) declararam ter algum tipo
de deficiência. Entre as deficiências declaradas, a mais comum foi a visual, atingindo
3,5% da população”. Além disso, dados da Organização Mundial da Saúde apontam
as principais causas de cegueira no Brasil. São elas: catarata, glaucoma, retinopatia
diabética, cegueira infantil e degeneração macular (OMS, 2018).
Não apenas os dados expostos acima, a Fundação Dorina Nowil para cegos
(2019) também cita dados do IBGE de 2010:
Segundo dados do IBGE de 2010, no Brasil, das mais de 6,5 milhões de

pessoas com alguma deficiência visual: 528.624 pessoas são incapazes de
enxergar (cegos); 6.056.654 pessoas possuem baixa visão ou visão
subnormal (grande e permanente dificuldade de enxergar); outros 29 milhões
de pessoas declararam possuir alguma dificuldade permanente de enxergar,
ainda que usando óculos ou lentes (IBGE apud FUNDAÇÃO DORINA
NOWIL, 2019).
É significativo ressaltar ainda, segundo dados do World Report on Disability

(Relatório Mundial sobre Deficiência – WRD) 2010 e do Vision 2020, que “a cada 5
segundos, 1 pessoa se torna cega no mundo. Além disso, no total de casos de
cegueira, 90% ocorrem nos países emergentes e subdesenvolvidos”. Tal exposto
evidencia mais uma vez o grau de importância e necessidade de recursos que
auxiliem e deem suporte às pessoas com deficiência visual.
Sabe-se que não há nenhum determinante que justifique o índice da deficiência
visual no Brasil. Provavelmente, as regiões brasileiras que mais apresentam casos de
pessoas com essa deficiência se dêem pela quantidade de indivíduos que habitam tal
região. Logo, as regiões mais populosas, apresentam consequentemente mais casos
22
de deficiência visual. Assim, a Fundação Dorina Nowil (2019) expõe a quantidade de
pessoas com deficiência ocular por região, como se pode observar na Tabela 1
abaixo.
Tabela 1 – Dados do Censo Demográfico IBGE 2010
Fonte: Louis Braille (2020).
2.2 TECNOLOGIA ASSISTIVA
A tecnologia pode ser utilizada por qualquer pessoa que apresenta alguma
deficiência ou não. Deve-se considerar que a tecnologia assistiva tem um papel
indispensável na vida das pessoas com deficiência, pois irá ajudá-las em diversas
atividades ou desempenho nas tarefas desejadas. Portanto, é extremamente oportuno
que dediquemos especial atenção ao entendimento das tecnologias de apoio do
Comitê de Ajudas Técnicas.
Segundo o Comitê de Ajudas Técnicas (2009):
Tecnologia Assistiva é uma área do conhecimento, de característica

interdisciplinar, que engloba produtos, recursos, metodologias, estratégias,
práticas e serviços que objetivam promover a funcionalidade, relacionada à
atividade e participação, de pessoas com deficiência, incapacidades ou
mobilidade reduzida, visando sua autonomia, independência, qualidade de
vida e inclusão social (BRASIL, Comitê de Ajudas Técnicas, 2009).
23
Neste sentido, a tecnologia assistiva possui um grande valor para as pessoas
com deficiência. Muitas delas ainda não têm condições financeiras e recursos para
adquirir dispositivos móveis que possam auxiliá-los nas atividades diárias.
Neste sentido, a tecnologia assistiva é baseada em recursos e métodos que
auxiliam as pessoas com deficiência nas suas atividades, facilitando a sobrevivência
e proporcionando mais autonomia para essas pessoas.
Nicácio (2010, p. 15), coloca que:
[...] pessoas sem deficiência, sistemas da Web facilitam a vida, mas para
quem não pode ver ou ouvir ou andar, estes mesmos sistemas são mais do
que facilitadores. Para essas pessoas, ter acesso a esses sistemas, muitas
vezes significa tornar possível a realização de tarefas que, de outra forma,
exigiriam um esforço imenso ou até mesmo seriam impossíveis de serem
realizadas.
É importante lembrar que, as coisas que eram impossíveis, tornam-se possíveis

de realizar com o auxílio da tecnologia assistiva. Para isto, frisamos que toda e
qualquer atividade desenvolvida precisa observar as características biopsicossociais
do indivíduo com deficiência visual, pois ele apresenta características próprias e
necessita de orientações do profissional da área ou de familiares que o acompanham
(NICÁCIO, 2010).
Segundo Lévy et al. (1999) apud Galvão Filho (2009):
[...] as tecnologias estão presentes em cada uma das pegadas que o ser
humano deixou sobre a terra, ao longo de toda a sua história. Desde um
simples pedaço de pau que tenha servido de apoio, de bengala, para um
homem no tempo das cavernas, por exemplo, até as modernas próteses de
fibra de carbono que permitem, hoje, que um atleta com amputação de ambas
as pernas possa competir em uma Olimpíada, disputando corridas com outros
atletas sem nenhuma deficiência. [...]
Dessa forma, compreende-se que o uso da tecnologia assistiva visa atender o

indivíduo como um todo, amenizando as dificuldades apresentadas de forma sucinta
nas atividades comuns do dia a dia.
Segundo o Art. 61 do Decreto Nº 5.296 DE 02 DE DEZEMBRO DE 2004:
24
Para os fins deste Decreto, consideram-se ajudas técnicas os produtos,
instrumentos, equipamentos ou tecnologia adaptados ou especialmente
projetados para melhorar a funcionalidade da pessoa portadora de deficiência
ou com mobilidade reduzida, favorecendo a autonomia pessoal, total ou
assistida (Brasil, 2004).
Portanto, percebe-se que a tecnologia assistiva é uma ferramenta

indispensável para os deficientes visuais, sendo fundamental para essas pessoas,
deixando-os mais independentes, possibilitando a realização de atividades cotidianas
com acessibilidade e inclusão social. A partir disso, compreendemos a tecnologia
desenvolvida nos termos deste trabalho de conclusão de curso como uma tecnologia
assistiva, que objetiva auxiliar o deficiente visual em suas atividades cotidianas.
2.3 INTELIGÊNCIA ARTIFICIAL
O conceito de Inteligência Artificial começou a ser utilizado e estudada a partir

de 1956, quando o cientista da computação, John McCarthy, e um grupo de colegas
estudantes, se propõem a pensar na utilização de linguagem humana, capacidade de
resolver problemas, formar abstrações e conceitos pelas máquinas. Ou seja, mais que
realizar funções das quais já há uma programação definida, com funcionamento
estabelecido, John McCarthy e seus colegas, acreditavam na capacidade das
máquinas em reproduzir aspectos da cognição humana. (REIS et al., 2019).
Com base na conceituação acima e com o avanço da tecnologia, é notável que
as concepções referentes a Inteligência Artificial dentro da Engenharia da
Computação não param de evoluir, pois a cada instante surgem novos estudos e
novas descobertas.
Segundo Teixeira (2017, p. 15), a Inteligência Artificial pode ser definida como
a ciência que estuda a emulação do comportamento da inteligência humana por meio
de máquinas, tentando compreender de que forma se processa o pensamento
humano para entender como representá-lo por meio de um computador.
25
Nesse contexto, a máquina imitaria a mente humana através do processo de
inferência, e é justamente por esse fator que se faz necessário o estudo da IA, para
compreender, não só o comportamento, bem como suas atividades mentais.
De acordo com IBM (2020), inteligência artificial (IA) é uma tecnologia que usa
um mecanismo de processamento que simula a inteligência humana e é programada
através de softwares com capacidades de desenvolver raciocínios e tomar decisões
por conta própria.
Diante das pesquisas realizadas e artigos estudados, a Inteligência Artificial
apresenta uma vasta biblioteca de códigos abertos que ajudam no processamento da
imagem, tanto na classificação quanto na avaliação. Por isso, através dela há
melhores resultados nos treinos e testes ao reconhecer uma moeda, visto que é
bastante abrangente e envolve uma imensidão de métodos e técnicas capazes de
desenvolver softwares cada vez mais inteligentes e autossuficientes aptos a imitar a
capacidade humana de tomar decisões e solucionar problemas através do
cruzamento de percepções, dados e ideias (CITTÀ TELECOM, 2020).
A partir de tais conceitos, é importante destacar também que a visão
computacional é de suma importância para o pré-processamento de uma imagem,
visto que nem sempre o dataset representa a realidade. Desta forma, o pré-
processamento pode ajudar as imagens de um dataset limitado a se assemelhar às
do mundo real. Dito de outra forma, a visão computacional é um ramo da inteligência
artificial.
Diante da ideia de planejamento e criação de um aplicativo voltado para
deficientes visuais que auxiliasse no reconhecimento de moedas, os meios utilizados
para obter um melhor resultado seria utilizar a inteligência artificial agregada à visão
computacional e redes neurais convolucionais.
2.3.1 Redes Neurais Convolucionais
Rede neural convolucional (CNN, do inglês Convolutional Neural Network) é

um subtipo de rede neural de múltiplas camadas que se utiliza de treinamento
supervisionado. As CNNs são normalmente aplicadas para processamento de dados
26
formados por múltiplos vetores, como na classificação, detecção e reconhecimento de
imagens e vídeos (LECUN; BENGIO; HINTON, 2015).
Dito de outra forma, a rede neural convolucional é um tipo de rede neural,
especialmente utilizada na e pela visão computacional, responsável por realizar o
processamento de dados, ou seja, classificá-la. Logo, é importante ressaltar que
ambas estão correlacionadas.
O nome “redes neurais convolucionais” vem por conta da operação matemática
chamada convolução que é aplicada nas camadas da rede. Redes neurais
convolucionais têm uma camada de entrada, uma camada de saída e várias camadas
ocultas. Algumas dessas camadas são convolucionais e os seus resultados são
passados para as camadas sucessivas, simulando, o funcionamento do córtex visual
humano (GOODFELLOW; BENGIO; COURVILLE, 2016 apud TECHOPEDIA, 2018).
Como já mencionado, a CNN é composta por duas grandes etapas, a extração
das características pelas camadas convolucionais e a classificação, constituindo
assim, sua arquitetura. Incorporado a essas duas etapas existe uma série de fases a
fim de obter uma resposta em sua saída que permita a classificação da imagem. Uma
CNN é normalmente composta por diferentes tipos de camadas e entre elas estão as
camadas de convolução, camadas de agrupamento (pooling) e camadas totalmente
conectadas (LECUN; BENGIO; HINTON, 2015).
2.3.1.1 Visão Computacional
Levin (2006) afirma que, visão computacional se refere a uma ampla classe de
algoritmos que permite aos computadores fazerem leituras e interpretações de
imagens digitais e de vídeo.
Visão computacional é um campo da ciência e da tecnologia que utiliza
computadores para enxergar e compreender o mundo visual, ou seja, tecnologias de
máquinas que processam imagens. Ela procura desenvolver teoria e prática para a
construção de sistemas artificiais que obtêm informação de imagens (AZEVEDO;
CONCI; VASCONCELOS, 2018).
27
Na visão de Graciano (2007), diversos problemas práticos envolvendo sistemas
de visão computacional, tais como vigilância automatizada, pesquisas de conteúdo
específico em bancos de dados multimídias ou edição de vídeo, requerem a
localização e o reconhecimento de objetos dentro de sequências de imagens ou
vídeos digitais.
Para Shapiro e Stockman (2000): “A meta da visão computacional é tomar
decisões sobre objetos físicos reais a partir de cenas baseadas em imagens
captadas”. Deste modo, compreende-se que a visão computacional busca reproduzir
por meios de técnicas computacionais as imagens, fazendo leituras de áudios e
vídeos, ou seja, é a ciência que vai estudar, estruturar e criar maneiras para que a
máquina através do algoritmo processe a imagem.
A visão computacional compreende os campos do processamento da imagem,
modelos de reconhecimento, análises da cena, interpretação da cena, processamento
óptico, processamento de vídeo e a compreensão da imagem (HAVENS, 1983;
COHEN, 1984; VÁMOS, 1986).
Para Conci, Azevedo e Leta (2008), a visão computacional é a área que trata
da extração de informações das imagens e da identificação e classificação de objetos
presentes nessas imagens. Estes sistemas têm sido usados em reconhecimento de
pessoas, de assinaturas, de impressões digitais, inspeção de peças em linhas de
montagem e até na orientação de movimentos de robôs na indústria automatizada.
Entre tantas definições, Budiharto e Group (2014) afirma que, visão
computacional é a emulação da visão humana no computador, ou seja, fazer com que
a partir de imagens captadas de uma câmera, o computador possa pensar e tomar
decisões sobre aquilo que está vendo. A quantidade de informações que podem ser
obtidas através de visão computacional, assim como na visão humana, é muito
grande, gerando muitas possibilidades, por essa razão é a tecnologia mais importante
no futuro em desenvolvimento de interatividade de robôs. Podendo ser utilizada para
identificação de objetos, reconhecimento facial, reconhecimento de movimentos
através de gestos, processamento e produção de vídeos e aprendizado de máquina.
A visão computacional ou de máquina, compreende técnicas e métodos para
manipulação de imagem. A imagem é capturada por uma câmera, características são
extraídas e decisões são tomadas através dessas informações (BECKER, 2013).
Backes e Junior (2016) dizem que:
28
A visão computacional é uma área de estudo que busca repassar para
máquinas a capacidade de visão, não só a habilidade de captar imagens, mas
de processá-las e melhorá-las a fim de obter diferentes informações sobre
uma imagem, como profundidade, cor, textura, forma, e relacioná-las com
imagens já vistas.
Dessa forma, sabemos que visão computacional é um conjunto de métodos e

técnicas que através do uso da inteligência artificial podem ser capazes de interpretar
imagens. A visão computacional de imagens e vídeos proporciona o input para que
as redes neurais convolucionais possam entender cenas de um mundo real por meio
da detecção, classificação e rastreamento de objetos.
2.3.1.1.1 Processamento digital de imagens
O processamento digital de imagens fundamenta-se em um conjunto de

técnicas utilizadas, de modo que a entrada e a saída de dados são imagens ou um
conjunto de informações extraídas.
Em outros termos, “processamento digital de imagens entende-se a
manipulação de uma imagem via computador, de modo que a entrada e saída do
processo sejam imagens, com o objetivo de melhorar o aspecto visual de certas
feições estruturais, proporcionando maior facilidade na extração de informações”.
(SILVA; RECHIUTI, 1997).
Através de uma imagem é retirada informações necessárias para realizar seu
processamento. Com o auxílio do computador, o processo dela consiste em capturá-
la, representá-la e transformá-la, com a finalidade de extrair algum conjunto de
informações.
“Processar uma imagem consiste em transformá-la sucessivamente com o
objetivo de extrair mais facilmente a informação nela presente” (ALBUQUERQUE,
2000).
Processamento de imagem é a área que atua com algoritmos que recebem
uma entrada em formato de imagem e geram saídas que podem ser imagens ou algum
conjunto de características ou parâmetros (YOUNG; GERBRANDS; VLIET, 1998).
29
Desta maneira, processamento de imagens é um conjunto de métodos utilizado
para transformar a imagem de forma que a torne mais adequada à visão humana ou
à análise computacional.
Segundo Petrou e Petrou (2010), a área de processamento de imagem foi
desenvolvida em resposta a três grandes problemas: digitalização da imagem e
codificação para facilitar a impressão, transmissão e armazenamento de imagens e
necessidade de melhoramento da imagem para facilitar a interpretação de dados
gráficos por máquinas.
Por meio de extração de informação ou transformação da imagem através do
processamento, a imagem melhora seu aspecto e facilita sua análise. A área de
processamento de imagens consiste em desenvolver técnicas de compressão dos
mecanismos de visão natural e artificial e em fornecer ferramentas cujo desempenho
aproxima-se o mais possível das extraordinárias capacidades do sistema visual
humano (FACON, 1993).
As seguintes áreas estão relacionadas ao processamento digital de imagem:
computação gráfica, processamento de dados, visão computacional, inteligência
artificial, reconhecimento de padrões, animação e multimídia.
Uma das primeiras aplicações de técnicas de processamento de imagens
segundo Gonzales (2000) foi à melhoria da informação visual, onde o interpretador
era o homem.
Existem diversas formas de ser aplicada o processamento de imagens, são
elas: fotografia e impressão, imagens de satélite, medicina, detecção de face ou de
objeto e biometria.
As principais categorias de aplicações em processamento de imagens são a
melhoria da informação visual para a interpretação humana e a análise automática por
sistemas computacionais de uma imagem (FILHO; NETO, 1999). Através de conjunto
de operações matemáticas (algoritmos), o processamento é aplicado sobre uma
imagem e o resultado disso é uma outra imagem.
Segundo Gonzalez e Woods (2000), existem alguns passos que devem ser
seguidos para processar imagens, como: aquisição de Imagens, pré-processamento,
segmentação, representação e descrição e reconhecimento de interpretação.
30
1 – Aquisição de imagens: Início para o processamento de imagem. É nesta
etapa que serão adquiridas as imagens que vão formar o dataset que será
posteriormente processado.
2 – Pré-Processamento: Realiza a melhoria da imagem. Nesta fase é feito os
ajustes de contraste, redução de ruído, entre outras melhorias. Também podemos
piorar a qualidade do nosso dataset para imitar as condições do mundo real, como por
exemplo, celulares com câmeras de baixa qualidade, imagem tirada às pressas sem
boa resolução, etc.
3 – Segmentação: Divisão da imagem em unidades significativas, ou seja,
seleciona as partes que interessam na imagem;
4 – Representação e descrição: Transformação dos dados obtidos pela fase
de segmentação;
5 – Reconhecimento e interpretação: Análise da imagem.
Nos termos deste TCC utilizamos a biblioteca OpenCV para fazer o pré-
processamento do dataset. Esta biblioteca será explorada no capítulo seguinte.
2.3.1.1.2 Biblioteca OpenCV (Open Source Computer Vision Library)
OpenCV (Open Source Computer Vision) é uma biblioteca da visão

computacional, iniciada pela Intel em 1998 e que tem como forte foco no
processamento digital de imagens em tempo real, é uma das ferramentas mais
utilizada. Ela é escrita em linguagem C/C++ que hoje contém interfaces para diversas
outras linguagens, tais como Python e Java. (BAGGIO, 2015 apud OPENCV, 2015)
Sua primeira versão beta foi lançada em 2000 e desde então as suas
funcionalidades vêm sendo desenvolvidas pela comunidade científica, ela conta com
várias centenas de algoritmos de visão computacional o que torna esta biblioteca uma
ferramenta poderosa no campo da visão computacional (SILVA, 2011).
As vantagens da biblioteca openCV são a grande quantidade de documentação
encontrada em diversos artigos e livros, além de diversos exemplos de aplicações
para o tipo de funcionalidade que o openCV usa. Isso se deve ao fato da biblioteca ter
licença de código aberto (open source), isto é, seu código-fonte é de livre acesso,
31
podendo ser baixado, reescritos ou aprimorados de forma colaborativa e redistribuído
desde que a licença seja respeitada (BRADSKI; KAEHLER, 2008).
Segundo Ost (2008), essa biblioteca possui, entre outras, as funções para
captura de imagem de câmera, para execução de operações sobre essas imagens,
além de possibilitar a exibição dos resultados com facilidade.
Conforme afirma Julio e Bechel (2013), a biblioteca openCV foi criada com a
intenção de tornar a visão computacional mais acessível aos usuários, programadores
e a interação entre humano e computador em tempo real e a robótica.
De acordo com a Interface Gráfica do Usuário (GUI), openCV é uma
multiplataforma, que possui módulos de processamento de Imagens e vídeo, estrutura
de dados, álgebra linear, e GUI básica com sistema de janelas independentes, ou
seja, é uma biblioteca livre e gratuita, que está disponível em código fonte, criada para
ter maior eficiência no desenvolvimento de aplicativos na área de visão computacional
(OPENCV, 2021).
2.3.1.2 Biblioteca TensorFlow
Há várias bibliotecas para o desenvolvimento de projetos de aprendizado de

máquina em Python e a escolha de uma delas depende muito do foco do projeto e em
quais algoritmos pretendem ser utilizados. O TensorFlow é uma biblioteca de código
aberto de machine learning (aprendizado de máquina) e foi desenvolvida por Google
Brain Team para criação, treinamento e detecção de padrões em redes neurais
artificiais que possui um grande conjunto de ferramentas e documentações. Foi
lançada em 2015 e oferece APIs para pesquisa e desenvolvimento desktop, mobile,
web e cloud (ABADI et al., 2015 apud TENSORFLOW, 2019).
Desta forma, o TensorFlow permite treinar e executar uma CNN para
classificação e detecção de objetos em imagens, classificação de vídeos,
reconhecimento de fala, aprendizado por reforço e outros. Pode ser utilizada tanto em
plataformas, Windows, Linux, Mac OS e dispositivos móveis, sendo disponibilizada
através das linguagens de programação Python, C++, Java e GO (ABADI et al., 2016).
32
É importante destacar que o TensorFlow possui uma interface de programação
simples em linguagem Python, que traz um desenvolvimento simplificado para o
programador final. Sua execução une a facilidade da linguagem Python com a
aplicação de alta performance escrita em C/C++. Sua arquitetura se divide em três
partes, sendo elas: pré-processamento dos dados, construção dos modelos e
treinamento do modelo criado (ARAÚJO et al., 2017).
2.4 ANDROID
Android é um sistema operacional mobile, ou seja, é software de gerenciamento

de aplicações que contém um firmware para administração do hardware.
Nos dias atuais, pessoas com deficiência visual conseguem manusear o celular
através do recurso de acessibilidade (TalkBack). Porém, alguns com dificuldades para
acessar os aplicativos: elas são capazes de navegar pela tela de toque para realizar
diversas tarefas, inclusive acessar a internet (LUNA, 2016).
Com isso, percebe-se que nos últimos anos tem ocorrido um crescimento
enorme de dispositivos móveis no Brasil devido aos resultados apresentados pelas
pesquisas, mostrando que o número de smartphones no país já ultrapassa a
quantidade total da população. Dentre os sistemas operacionais mais utilizados no
Brasil está o Android com 95,5 % do mercado (HIGA, 2016; DEMARTINI, 2018).
Esse sistema operacional Android foi criado pela start-up Android Inc. em
outubro de 2003. Em agosto de 2005 foi adquirida pela empresa Google, que lançou
em novembro de 2007 juntamente com a OHA (Open Handset Alliance), e foi liberada
a primeira versão do SDK para Android, baseado no kernel do Linux. O sistema
Android foi criado para câmeras fotográficas, no entanto, foi percebido um mercado
maior por seus criadores no ramo da telefonia, e com isso, voltou-se para smartphones
que passou a competir diretamente com Symbian e Windows Mobile (PAPAJORGJI,
2015).
Segundo Lecheta (2013, p.21), o Android é uma plataforma de
desenvolvimento para aplicativos móveis e contêm um sistema operacional baseado
33
em GNU/Linux, uma interface visual rica, GPS, diversas aplicações já instaladas e um
ambiente de desenvolvimento poderoso, inovador e flexível.
O desenvolvimento de aplicações Android é atrelado à linguagem de
programação Java. Não é requerido sistema operacional específico e a IDE indicada
pelo Google é o Android Studio, oficial para desenvolvimento de aplicativos Android
(ANDROID, 2016b).
2.4.1 Tecnologias de Voz
As tecnologias de voz estão cada vez presentes na sociedade, seja entre os

deficientes visuais ou não, e tem se tornando a principal interface entre humanos e
máquinas. Elas são muito amplas e estão divididas em reconhecimento de voz, que é
utilizado para converter a voz em texto, e o sintetizador de voz, que é utilizado para
melhorar a acessibilidade dos deficientes visuais nos dispositivos, convertendo o texto
em voz (DEBATIN et al., 2017).
2.4.1.1 Reconhecimento de Voz
Para Behlau (2004) apud Braz (2008), a voz é uma das ferramentas primárias
e mais imediatas que o ser humano dispõe para interação entre as pessoas e com a
sociedade. O reconhecimento de voz foi criado através de diversos estudos, como:
definições matemáticas, transformações de Fourier, estudos da definição da fala e as
regras das formações gramaticais.
Para que o processamento de reconhecimento de voz seja aplicado, o mesmo
está dividido em quatro categorias: comando por voz, fala natural, síntese de voz e
autenticação de voz. Sobre isso, Damasceno (2005) explica que, o software de
reconhecimento de voz compara o sinal processado com os padrões existentes,
agrupa os sinais reconhecidos dentro de uma determinada categoria e disponibiliza,
em uma saída, as palavras ou expressões reconhecidas.
34
Marin e Cunha (2006) definem que, o reconhecimento de voz é:
“[...] Método pelo qual a linguagem natural ou convencional é registrada e o

reconhecimento de fonemas é usado para identificar uma linguagem
específica.” Também afirmam que o reconhecimento distingue as ondas
geradas pelos fonemas como também as identifica através de um mapa de
palavras, utilizando probabilidade de como as palavras são usadas em
sequência.
Por meio da transformação de sinais de áudio em sinais digitais é possível

computar o reconhecimento da fala humana. Para isso, são utilizadas diferentes
técnicas de processamento que serão explicadas na sequência.
Para que o usuário não precise fechar e abrir novamente o aplicativo, será feito
o reconhecimento da palavra “sim” ou “não”. Desta forma, o aplicativo irá perguntar
para o usuário no final da instância se ele deseja repetir o processo.
Entretanto, percebe-se que as tecnologias utilizadas na voz, estão divididas em
duas partes: reconhecimento de voz, que é utilizado pelo comando de voz, e o
sintetizador de voz, que é utilizado para melhorar a acessibilidade dos deficientes
visuais nos dispositivos.
2.4.1.2 Sintetizador de Voz
Devido às limitações existentes entre hardware e software, estudos revelam

que desde a década de 50, o uso da voz é uma ferramenta que proporciona a
interação entre máquinas e pessoas. Sendo somente depois dos anos 90 que a
tecnologia de reconhecimento de voz contou com um significativo avanço e sistemas
puderam ser efetivamente criados e usados para este fim. Com o crescimento da
utilização de sistemas computadorizados cada vez mais aumenta a necessidade de
comunicação entre máquinas e seres humanos. (MCTEAR, 2002; COHEN;
GIANGOLA; BALOGH, 2004 apud ZUFFO; PISTORI, 2004).
Diferente do reconhecimento de voz em que a entrada é a voz humana, e a
saída é uma ação do computador ou de um texto digitado na tela, o sintetizador de
35
voz converte o texto escrito em linguagem falada, ou seja, ele recebe em sua entrada
um texto digitado e o transforma em sua saída um texto em voz. (MELO; PUPO, 2010).
Segundo Guilhoto e Rosa (2002), um recurso de síntese de voz é útil nas
situações em que o ser humano não pode desviar a atenção para ler algo ou não tem
acesso ao texto escrito, seja porque a informação está distante ou porque tem alguma
deficiência visual. Pensando nisso, a utilização de um sintetizador de voz facilita a
interação do deficiente visual com o aplicativo.
2.5 AVALIAÇÃO DE USABILIDADE
Para que a interface ofereça uma interação intuitiva, o projeto deve ter como
meta a usabilidade, característica que determina se o manuseio de um produto é fácil
e de simples aprendizagem satisfazendo seus usuários, bem como resolvendo as
tarefas para as quais ele foi projetado (FERREIRA; CHAUVEL; FERREIRA, 2007
apud NIELSEN, 2007).
Dessa forma, se a usabilidade orientar o desenvolvimento do sistema, seus
usuários se sentirão confortáveis e encorajados em usá-lo. Vale destacar que uma
aplicação orientada à usabilidade não necessariamente é orientada à acessibilidade,
e vice-versa. Ou seja, ela pode ser de fácil uso para usuários comuns, mas inacessível
para os deficientes visuais (HANSON, 2004 apud SHNEIDERMAN, 2004).
Cybis, Betil e Faust (2010, p. 16) definem usabilidade como sendo:
[...] a qualidade que caracteriza o uso dos sistemas interativos, programas e

aplicações, não como uma qualidade intrínseca de um sistema, mas de um
acordo entre as características de sua interface e as características de seus
usuários ao buscarem determinados objetivos em determinadas situações de
uso”.
O termo usabilidade foi definido e refinado em várias normas ISO/IEC a partir

dos anos 90 e tratam sobre qualidade de software, como 9126 (1991), 12119 (1994),
9241 (1998), 14598 (2003) e 25010 (2011). Atualmente, ela é definida como "a
36
capacidade que um software deve possuir de aprendizado, operabilidade, proteção
contra erros dos usuários, estética da interface de usuário e acessibilidade"
(REZENDE, 2013 apud FERREIRA; DRUMOND, 2002).
Através da NBR ISO/IEC 9126-1 é possível realizar análises de características
do software para que se defina o modelo de qualidade a ser utilizado, sempre na busca
de identificar as necessidades do usuário e também avaliar as características de
qualidade do software finalizado.
Para validar se o protótipo desenvolvido tem boa usabilidade foi feito um estudo
de usabilidade, isto é, capacidade do produto de software de ser compreendido,
aprendido, operado e atraente ao usuário, quando usado sob condições
especificadas. Para isso foram estudadas todas as subcaracterísticas de usabilidade:
inteligibilidade, apreensibilidade, operacionalidade, atratividade e conformidade
relacionada à usabilidade.
• Inteligibilidade: capacidade do produto de software de possibilitar ao usuário
compreender se o software é apropriado e como ele pode ser usado para
tarefas e condições de uso específicas;
• Apreensibilidade: capacidade do produto de software de possibilitar ao
usuário aprender sua aplicação;
• Operacionalidade: capacidade do produto de software de possibilitar ao
usuário operá-lo e controlá-lo;
• Atratividade: capacidade do produto de software de ser atraente ao usuário;
• Conformidade: capacidade do produto de software de estar de acordo com
normas, convenções, guias de estilo ou regulamentações relacionadas à
usabilidade (NBR 9126-1, 2003).
O Quadro 1 sumariza como o produto de software apresenta cada
subcaracterística de usabilidade.
37
Quadro 1 – Subcaracterísticas de Usabilidade – NBR 9126-1
Fonte: Adaptado Anjos e Moura (2005, p.2-3).
2.6 TRABALHOS RELACIONADOS
Durante os estudos teóricos para aprofundamento deste trabalho, encontrou-

se diversos trabalhos desenvolvidos para deficientes visuais, como mecanismo
facilitador no reconhecimento de cédula de dinheiro que serviu como base para a
elaboração deste trabalho.
Esbarrou-se com o BLIND - Aplicação Mobile para leitura de cédulas de real
com redes neurais. (Leonardo Bonetti Maffei, Campinas – SP, 2019. Apud Silveira;
Bertolini; Parreira; Silveira; Ulbricht; Almeida; Geller; Ribeiro; 2020), aplicativo
desenvolvido por um aluno do curso de engenharia da computação da PUC (Pontifícia
Universidade Católica) de Campinas. O aplicativo usa a câmera do smartphone e um
sistema de reconhecimento para identificar e verbalizar o valor da nota
(G1.GLOBO.COM, 2019). O estudante (MAFFEI), ao perceber as dificuldades
enfrentadas pelos deficientes visuais no reconhecimento de cédulas, partindo desta
problemática, desenvolveu um sistema denominado BLIND, para auxiliar os
deficientes visuais, amenizando essa insegurança e contribuindo de forma positiva na
melhoria de qualidade de vida dessas pessoas com deficiência. Neste, foi realizado
com um auxílio de um deficiente visual para que pudesse ser validado, mostrando que
é possível auxiliar os deficientes visuais em suas qualidades de vida através das
tecnologias.
38
Além do trabalho supracitado, Teixeira, Nascimento e Braga (2013) - Método
para auxiliar o reconhecimento de cédulas monetárias pelos deficientes visuais
também foi estudado. O trabalho foi desenvolvido em linguagem Java e utilizou a
biblioteca openCV na versão 2.4.0 (OpenCV, 2013) para auxiliar no pré-
processamento (e.g. conversão para escalas de cinza) e extração de características.
Para a etapa de classificação, foi utilizada a plataforma WEKA (Waikato Environment
for Knowledge Analysis) (Waikato, 2013). As principais etapas do algoritmo são: pré-
processamento, extração de características e classificação. Neste trabalho realizado,
surgiu-se a problemática em que se encontram no Brasil quando se refere às pessoas
com deficiências e a acessibilidade. Considerando que existem um grande número de
deficientes visuais e que muitos enfrentam problemas na acessibilidade, é notável a
necessidade de contribuir para a inclusão social e digital dos deficientes visuais,
auxiliando-os no reconhecimento do valor de cédulas monetárias. Trabalho
desenvolvido por estudantes, com intuito de ajudar as pessoas com deficiências,
mostrando as possibilidades que têm as tecnologias e os benefícios que elas trazem
para essas pessoas.
Deparou-se também com Meu Dinheiro como forma de estudo e análise para a
construção do questionário intitulado “Análise de um aplicativo voltado para
deficientes visuais, cujo objetivo é observar a funcionalidade de aplicativos no
reconhecimento de dinheiro, a fim de contribuir com a pessoa com deficiência visual
no seu dia a dia, deixando-o livre de ajudas de desconhecidos, garantido mais
segurança e melhoria na qualidade de vida”. Tendo como base a descrição feita pelo
desenvolvedor Mendes (2018) no Play Store, o objetivo do Meu Dinheiro é o
desenvolvimento de um aplicativo móvel para auxiliar os portadores de deficiência
visual a reconhecerem cédulas com mais facilidade. A motivação do projeto vem da
reflexão de como simples ações do cotidiano podem se tornar tarefas difíceis para um
grupo específico de pessoas, assim, o intuito é através da tecnologia incluir cada vez
mais essas pessoas na sociedade. De acordo com entrevistas realizadas pelo mesmo,
muitos portadores de deficiência visual têm como hábito organizar as cédulas que
possuem, facilitando assim o manuseio e em eventuais transições. Porém, ainda
assim, no dia a dia, podem ocorrer situações em que não seja mais possível gerir as
notas, seja por conta de uma simples confusão ou pela voracidade do cotidiano.
39
3 METODOLOGIA
Primeiramente, começar pela definição do problema servirá também para

definir os limites. Munari (2008, p. 12) define o método como “não [...] mais do que
uma série de operações necessárias, dispostas em ordem lógica, ditada pela
experiência. Seu objetivo é o de atingir o melhor resultado com o menor esforço.”
Para adquirir o conhecimento necessário para o desenvolvimento do trabalho,
foi realizado um estudo de caso, onde foi analisado o aplicativo Meu Dinheiro quanto
a usabilidade e aceitabilidade dos deficientes visuais com relação às tecnologias
assistivas.
Após o estudo de viabilidade, foi realizada uma análise bibliográfica com o
objetivo de identificar modelos e aplicações que pudessem através do processamento
fazer o reconhecimento de moedas. Nesta etapa, foram realizadas pesquisas em
livros, artigos, trabalhos acadêmicos e sites para identificar métodos computacionais
para reconhecimento de imagens através da Rede Neural. Por fim, foi desenvolvido o
protótipo do aplicativo See para auxiliar o deficiente visual em sua vida cotidiana.
3.1 CLASSIFICAÇÃO DA PESQUISA
“A pesquisa tem por objetivo estabelecer uma série de compreensões no

sentido de descobrir respostas para as indagações e questões que existem em todos
os ramos do conhecimento humano” (OLIVEIRA, 2002, p. 117).
Há diversos tipos de pesquisas, entre elas estão a quantitativa, que enfatiza
buscar a melhor estratégia de controlar o delineamento da pesquisa para que assim
garanta uma boa interpretação dos resultados. Já a exploratória, visa desenvolver,
esclarecer e modificar conceitos e ideias, tendo em vista a formulação de problemas
específicos ou hipóteses pesquisáveis para pesquisas posteriores (ROESCH, 2007,
p.130 apud GIL, 1999).
A primeira etapa deste TCC foi direcionada pela interação dos usuários para
experimentação e avaliação do aplicativo Meu Dinheiro. Nesta etapa, os métodos
40
utilizados foram estudos bibliográficos e aplicação de questionários para estudo de
viabilidade. Dessa forma, a primeira etapa deste TCC se deu por meio de uma
abordagem qualitativa e quantitativa, de natureza exploratória, com 19 deficientes
visuais. Foi utilizada a escala Likert para verificar a aceitação do aplicativo Meu
Dinheiro junto ao público alvo. A partir do estudo de viabilidade ficou evidente a
necessidade de desenvolver um protótipo que reconhecesse o valor de moedas
brasileiras.
A segunda etapa consistiu no desenvolvimento do protótipo denominado App
See, utilizando redes neurais convolucionais, visão computacional e sintetizador de
voz. Foram utilizadas as bibliotecas OpenCV e TensorFlow na parte de visão
computacional e redes Neurais convolucionais desenvolvida em Python. A interação
do usuário com o protótipo se deu utilizando reconhecimento de voz e sintetizador de
voz.
A terceira etapa consistiu na validação da proposta utilizando-se de um
questionário SUS (System Usability Scale) para avaliar a usabilidade do APP See. O
questionário SUS foi escolhido como instrumento para avaliação de usabilidade do
protótipo por ser um instrumento gratuito e, devido ao pequeno número de questões,
fato que poderia facilitar a aderência à pesquisa.
3.2 UNIVERSO E AMOSTRA
O universo, ou população, é o conjunto de elementos que possuem as

características que serão objeto do estudo, e a amostra, ou população amostral, é
uma parte do universo escolhido selecionada a partir de um critério de
representatividade (VERGARA, 1998).
O universo da amostragem foi constituído por deficientes visuais brasileiros. A
amostra foi composta por 19 deficientes visuais, sendo 5 homens e 14 mulheres, com
faixa etária entre 20 a 70 anos, com escolaridade de ensino médio à mestrado, entre
as cidades de Gravatá, Jaboatão dos Guararapes, Pombos, Recife e Vitória.
41
3.3 COLETA E ANÁLISE DOS DADOS
A coleta e análise de dados em um estudo de caso é baseada em diversas

fontes de evidências. Faz-se necessário examinar, categorizar, classificar em tabelas,
testar ou recombinar as evidências quantitativas para tratar as proposições iniciais do
estudo (GIL, 2008 apud YIN, 2010). Para efeito de elaboração dessa pesquisa, foram
utilizados os seguintes procedimentos: questionários, entrevistas, desenvolvimento do
protótipo e validação do usuário.
A análise foi feita de forma quantitativa e qualitativa mediante coleta e
sintetização dos dados, para responder, na primeira etapa deste TCC, a seguinte
questão da pesquisa: “Existe necessidade de um aplicativo de reconhecimento de
moedas para deficientes visuais?”.
Na terceira etapa deste TCC o protótipo desenvolvido é validado em temos de
demanda utilizando-se um questionário de usabilidade própria desenvolvida pelas
autoras com base no questionário proposto por Lewis (2018) apud Revythi e Tselios
(2019) e na NBR ISO/IEC 9126-1 de 2003.
42
4 ANÁLISE E RESULTADOS DOS DADOS
4.1 ESTUDO DE VIABILIDADE
As análises e discussões dos dados apresentados a seguir são resultados da

pesquisa de campo realizada na etapa 1 deste TCC que visa analisar a funcionalidade
do aplicativo “Meu Dinheiro” para o reconhecimento de cédulas, e posterior verificação
da facilidade, agilidade, independência e segurança no uso do mesmo. A pesquisa de
campo se deu através de questionário realizado pela plataforma digital Google Forms,
com o objetivo de verificar a viabilidade para construção de outro aplicativo similar.
Em primeiro lugar, a escolha do tema aqui discutido surgiu de diversas
conversas com pessoas com deficiência visual, independente do grau de cegueira.
Nessa conversa foi questionado quais aplicativos facilitariam em suas atividades
cotidianas. Os aplicativos mencionados pelos mesmos partiram de suas vivências e
necessidades.
Como sabemos que nem todos os indivíduos necessitam das mesmas coisas,
aplicativos diferentes foram citados, como por exemplo, aplicativos para
reconhecimento de cores secundárias, reconhecimento de medicamentos,
reconhecimento de código de barras, reconhecimento de preços, reconhecimento de
etiquetas, reconhecimento de auxílio em paradas de ônibus, reconhecimento de
produtos de limpeza e reconhecimento de moedas. Diante da maior necessidade nos
tempos atuais, foi sugerido pela maioria das pessoas entrevistadas o desenvolvimento
de um aplicativo que pudesse reconhecer moedas. E assim, surgiu o estudo do
presente trabalho.
O aplicativo Meu Dinheiro foi escolhido após análise de diversos outros
aplicativos semelhantes, pois o mesmo apresenta uma resposta mais plausível em
seu manuseio segundo os próprios deficientes visuais.
Logo ao entrar no aplicativo, a câmera é automaticamente ativada, junto com o
flash e com comandos de voz que dão as orientações para o usuário seguir, para que
dessa forma o reconhecimento da cédula seja efetivado. Embora esse aplicativo
funcione em aparelhos diferentes com o mesmo sistema operacional Android, alguns
43
demoram para dar resposta. Foi observado também que a depender da posição da
cédula diante a câmera, algumas vezes não é possível fazer a análise. Em alguns
casos com a cédula aberta e posicionada em um local plano é possível que o
reconhecimento aconteça. Em outras vezes, é necessário dobrá-la ao meio.
Apesar das dificuldades encontradas em outros aplicativos, o aplicativo Meu
Dinheiro passou a integrar os estudos/pesquisas no levantamento de questões
relacionadas à funcionalidade, agilidade, praticidade e autonomia das pessoas com
deficiência visual. Vale ressaltar que alguns indivíduos com essa deficiência podem
necessitar de apoio de terceiros para utilizar o aplicativo.
A motivação do projeto “Meu Dinheiro", de acordo com seu desenvolvedor,
Mendes (2018), vem da reflexão de como simples ações do cotidiano podem se tornar
tarefas difíceis para um grupo específico de pessoas, assim, o intuito é através da
tecnologia incluir cada vez mais essas pessoas na sociedade (MENDES, 2018).
4.1.1 Questionário
O formulário on-line, apresentado no Apêndice A, contou com a colaboração

de 19 deficientes visuais em graus diferentes, sendo eles cegueira congênita, cegueira
adquirida, cegueira precoce e baixa visão. Dentre os entrevistados, encontram-se 5
(cinco) homens e 14 (quatorze) mulheres, com idades entre 20 e 70 anos, moradores
das cidades de Gravatá, Jaboatão dos Guararapes, Pombos, Recife e Vitória de Santo
Antão.
Os colaboradores citados acima enquadram-se nos seguintes níveis de
escolaridade: ensino médio, ensino superior completo, pós-graduação e mestrado,
como pode-se observar no Gráfico 2 abaixo.
44
Gráfico 2 – Nível de escolaridade
Como mencionado anteriormente, os colaboradores com deficiência visual que

integram esse estudo apresentam diferentes tipos de deficiência visual, demonstrando
a diversidade que se faz presente nessa deficiência, exemplificado no gráfico a seguir.
No Gráfico 3 observamos o seguinte: 21,1% apresentam cegueira congênita, 15,8%
cegueira precoce, 31,6% cegueira adquirida e 31,6% baixa visão.
Gráfico 3 – Tipo de deficiência visual
De acordo com os dados levantados na pesquisa, além da indicação do tipo de

cegueira apresenta também dados referentes ao grau de perda visual dos
entrevistados. Mais uma vez demonstra a diversidade presente nos graus da
deficiência visual ocasionados por motivos diferentes ao longo da vida de cada um.
Entre os colaboradores, 47,4% deles apresentam uma perda visual parcial e os outros
52,6% total mostrado no Gráfico 4.
45
Gráfico 4 – Grau de perda visual
Como foco principal também desse estudo, após a análise das respostas do
formulário on-line no que concerne a utilização de recursos, ferramentas e serviços da
tecnologia assistiva, observa-se no Quadro 2 que há uma diversidade em sua
utilização.
Quadro 2 – Recursos utilizados em afazeres do dia a dia
Assim sendo, baseado nos dados obtidos no Gráfico 5, conclui-se que a maior
necessidade de uso é do leitor de tela para celular. Hipoteticamente o uso do celular
está no topo dos mais utilizados pelos deficientes visuais devido a sua maior facilidade
de manuseio e custo financeiro. Com isso, conclui-se que por ser a ferramenta mais
utilizada, ajuda os usuários na utilização de aplicativos, como por exemplo o de
reconhecimento de cédulas, auxiliando-os nas necessidades diárias de cada um.
46
Gráfico 5 – Ferramentas utilizadas em suas atividades do dia-a-dia
Sob o mesmo ponto de vista, constata-se o frequente uso do celular entre os

deficientes visuais mostrado no Gráfico 7, sendo eles, os dispositivos móveis, os mais
utilizados entre os colaboradores. Dessa forma, 73,7% utilizam com muita frequência,
15,8% frequentemente e 10,5% ocasionalmente. Já o recurso computador observado
no Gráfico 6, é utilizado com muita frequência por 21,1%, frequentemente 36,8%,
ocasionalmente 15,8%, raramente 15,8% e nunca 10,5%. Seguido do uso do tablet,
observado no Gráfico 8, onde 63,2% nunca utilizam, 15,8% que usam com muita
frequência, 10,5% que usam ocasionalmente e 10,5% que raramente manuseiam
essa ferramenta da tecnologia assistiva.
Gráfico 6 – Frequência do uso do computador
47
Gráfico 7 – Frequência do uso do celular
Gráfico 8 – Frequência do uso do tablet
De acordo com o Gráfico 9 referente ao desenvolvimento de um aplicativo para

o reconhecimento de moedas através do uso da câmera do celular, 100% dos
colaboradores do questionário on-line concordaram totalmente. Essa resposta mostra
a importância e necessidade da criação de um APP com essa funcionalidade devido
ao grande número de usuários que precisam utilizá-los.
Gráfico 9 – Importância de criação de um aplicativo de reconhecimento de moedas

48
No início deste estudo, após conversas com os colaboradores que são
deficientes visuais acerca da criação de aplicativos para auxiliá-los baseado em suas
necessidades diárias, obteve-se no Gráfico 10, as seguintes respostas no questionário
on-line: 89,5% escolheram o reconhecimento de moedas e 10,5% o reconhecimento
de medicamentos. Esses dados confirmam mais uma vez o quão relevante é o
desenvolvimento de tal APP.
Gráfico 10 – Escolha do desenvolvimento de um APP
No decorrer do estudo bem como no questionário on-line, utilizou-se como base

para a enquete em questão o aplicativo Meu Dinheiro. Fundamentado nesse
aplicativo, observa-se no Gráfico 11 que 68,4% concordam totalmente que ele facilita
no reconhecimento das cédulas e 31,6% concordam parcialmente. Provavelmente
devido a sua instabilidade momentânea, lentidão e às vezes travamento, além da
possível necessidade algumas vezes da ajuda de terceiros para utilizá-lo. Logo,
deduz-se que o aplicativo citado mesmo diante dos problemas verificados, ainda
assim, auxilia o deficiente visual em suas atividades econômicas no seu dia a dia.
Gráfico 11 – Reconhecimento de cédulas do aplicativo Meu Dinheiro
49
Do mesmo modo que a grande maioria dos colaboradores mencionaram que o
aplicativo Meu Dinheiro facilita no reconhecimento do dinheiro mostrado no Gráfico
12, 78,9% concordam totalmente que o feedback dado como resposta no
reconhecimento facilita o seu entendimento durante o manuseio do mesmo, pois após
o reconhecimento ser feito a efetivação do comando de voz é ativado. Em contraste
com esse percentual, 21,1% concordam parcialmente. Possivelmente os 21,1%
concordam parcialmente devido à dificuldade encontrada em alguns momentos do
aplicativo reconhecer a cédula aberta posicionada em uma superfície plana, e em
outros momentos só reconhecer quando a cédula está dobrada.
Gráfico 12 – Feedback no reconhecimento de cédulas do aplicativo Meu Dinheiro
Reafirmando a hipótese de que alguns deficientes visuais necessitam da ajuda

de terceiros para o manuseio do aplicativo, constata-se diante da resposta obtida no
Gráfico 13 do questionário on-line que 57,9% dos colaboradores concordam
parcialmente que o aplicativo permitiu que toda a operação fosse realizada sem a
ajuda de terceiros no reconhecimento das cédulas e 42,1% concordam totalmente.
Tal fato leva a refletir que mesmo diante da existência de aplicativos diversos
destinados aos deficientes visuais, a inclusão dessas pessoas ainda esbarra em
grandes dificuldades, pois para muitos a tecnologia é uma barreira devido ao medo
de acessá-la pela falta de conhecimento em como utilizá-la e pela falta de
acessibilidade da maioria dos aplicativos.
50
Gráfico 13 – Manuseio do APP Meu Dinheiro
Para que o aplicativo Meu Dinheiro possa ser utilizado é necessário que o
dispositivo móvel tenha o sistema operacional Android, uma câmera para o
reconhecimento do dinheiro e o comando de voz para a resposta desse
reconhecimento. Sabe-se que o crescente uso desses aparelhos tecnológicos por
pessoas com deficiência visual tem aumentado consideravelmente com o passar dos
anos, mesmo com as atuais dificuldades, uma delas o medo de utilizar essa tecnologia
como citado anteriormente. Como resposta referente a facilidade em utilizar o
aplicativo mostrado no Gráfico 14, 42,1% dos colaboradores classificaram como muito
bom, 47,4% como bom e 10,5% como normal. Mais uma vez realça que o aplicativo
necessita de melhorias para que o mesmo facilite o deficiente visual ao utilizá-lo em
seu dia a dia.
Gráfico 14 – Classificação do aplicativo Meu Dinheiro quanto a sua facilidade de manuseio
51
4.1.2 Entrevista e criação de personas
Baseados em personagens fictícios, os personas são insights retirados da

pesquisa e definem o público-alvo, destacando dados demográficos,
comportamentos, motivações, fatores de sucesso e necessidades. Ou seja, reúne
todas as informações significativas para que um grupo de profissionais possa criar
empatia e gerar requisitos bem definidos para o projeto (VIANNA et al., 2018).
Dessa forma, para basear-se em questões de tecnologias assistivas foram
criadas as personas fundamentadas nas entrevistas realizadas com os colaboradores
do questionário on-line via Google Forms. A partir dessas entrevistas pôde-se elaborar
Personas para dois grupos distintos de usuários, sendo eles do sexo feminino e
masculino. Tais grupos podem ser representados pela Figura 2 e Figura 3 abaixo e
correspondem ao público-alvo do aplicativo em análise.
Figura 2 – Persona 1
52
Figura 3 – Persona 2
A partir das entrevistas com os colaboradores e construção das personas

acima, foram identificados 2 tipos de perfis conforme o seu nível de experiência com
tecnologia (baixo, médio ou alto): a) A persona que possui experiência média com a
tecnologia (Figura 2): Ela consegue sozinha mexer nos recursos da tecnologia
assistiva, mesmo diante suas limitações. Enfrenta desafios diários, como fazer algo
que não considera possível devido sua baixa visão. Apesar disso, sempre consegue.
A sua maior motivação é que mais APP’s sejam criados para o auxílio dos deficientes
visuais. b) A persona que possui experiência alta em tecnologia (Figura 3): Não sente
dificuldades no manuseio e acesso aos recursos tecnológicos, bem como da
tecnologia assistiva. Tem o hábito de navegar na web e sonha com um mundo mais
justo e acessível, e que para isso, toma como desafio garantir a participação de todos
nesse processo.
Portanto, o estudo de viabilidade comprovou a necessidade de criação de mais
aplicativos para o auxílio de deficientes visuais, sendo que 100% da amostra optou
pelo aplicativo de reconhecimento de moedas em detrimento das outras sugestões
(reconhecimento de produtos de limpeza, medicamentos, cores secundárias ou
outros).
53
4.2 DESENVOLVIMENTO DO PROTÓTIPO
“A arte de criar máquinas que executam funções que exigem inteligência

quando executadas por pessoas” (KURZWEIL, 1992). O protótipo APP See
desenvolvido imita o comportamento humano através de inteligência artificial ao
enxergar uma moeda e dizer o seu valor.
O desenvolvimento do protótipo APP See foi dividido em três partes: a primeira
consiste no desenvolvimento do mockup e do diagrama de interação. A segunda
compreende o reconhecimento das moedas através de visão computacional e redes
neurais convolucionais e a terceira abrange a interface de interação com o usuário por
meio de comandos de voz.
4.2.1 Processo de Prototipagem
O protótipo do APP See foi criado da maneira descrita na Figura 4: tela inicial
onde estará o slogan do APP; a tela de notificação onde estará a parte de feedback
auditivo para interação com o usuário final; e a tela de câmera onde será feita a
captura da moeda e enviada para a rede neural onde será feito o processamento e a
identificação do valor da moeda.
Figura 4 – Mockup do APP See

54
Na Figura 5 está o diagrama de interação que mostra os passos realizados pelo
usuário para interagir com o protótipo. Ao entrar no APP See a central de notificação
emite um sinal sonoro perguntando ao usuário se ele quer identificar uma moeda ou
não. Caso ele opte por sim, então é redirecionado para a câmera onde são dadas
instruções auditivas de como será feito o reconhecimento da moeda, o tipo e a posição
que a mesma terá que ficar. Ao realizar o reconhecimento da moeda, o valor
encontrado volta para a central de notificação onde será informado para o usuário
final. Então é perguntado se o usuário deseja realizar outra consulta ou não. A Figura
6 também exemplifica a interação do usuário com o protótipo.
Figura 5 – Diagrama de Interação do Protótipo APP See
Figura 6 – Explorando o APP See
55
4.2.2 Rede Neural
Na Figura 7 está descrito o modelo de arquitetura de redes neurais

convolucionais (CNN) desenvolvido para reconhecimento de moedas brasileiras. A
primeira camada da arquitetura é a entrada de dados: onde através da câmera a
moeda é capturada ao ser posicionada pelo deficiente e a imagem é enviada para a
rede neural convolucional. Na camada de convolução (Conv2D) é efetuada a
convolução nos dados processados, utilizando-se a função de ativação linear
retificada (ReLU) que reproduz a entrada quando esta é positiva ou zero quando
negativa. Na camada de MaxPooling2D, cada imagem tem seu ruído reduzido e é
redimensionada para uma dimensão padronizada. Na camada de BatchNormalization
é feita a normalização da camada de entrada e das camadas ocultas, ajustando a
média do dimensionamento das ativações. Na camada de GlobalMaxPooling2D é feita
a mesma operação do MaxPooling2D, exceto que o tamanho do fator horizontal pelo
fator vertical é o tamanho de toda a entrada do bloco, ou seja, ele calcula um único
valor máximo para cada um dos canais de entrada. No caso deste TCC foram
projetados cinco canais já que foram especificados cinco tipos de moeda. Na Camada
de Densidade (Dense) são previstos os rótulos: esta camada está totalmente
conectada. Na camada de saída o output é informado para o usuário final.
Figura 7 – Modelo de Arquitetura CNN
56
Por meio do modelo sequencial foi criada a estrutura da rede, onde foi
adicionada às camadas de rede neural convolucional. No primeiro momento foi gerada
uma camada de entrada e as camadas (Conv2D, Filtro (Kernel), ReLU e MaxPooling)
para extrair as características dos dados. Na sequência, todo este processo (Conv2D,
Filtro (Kernel), ReLU e MaxPooling) foi refeito para as camadas seguintes,
adicionando o BatchNormalization e o GlobalMaxPooling2D. Por fim, houve a
classificação dos dados através da camada totalmente conectada (Dense), em que a
função Softmax é utilizada para fazer a ativação da rede de classificação já que seu
resultado é interpretado como uma distribuição de probabilidade, jogando o resultado
para a camada de saída. A Figura 8 resume a quantidade de parâmetros utilizada em
cada camada descrita acima.
Figura 8 – Resumo dos parâmetros utilizados na rede neural
A Figura 9 mostra a primeira imagem treinada, como também, a primeira

imagem validada, além de um gráfico demonstrando a acurácia por epoch (número de
57
todo o conjunto de dados de treinamento pela rede neural) e a predição de uma
imagem.
Figura 9 – Referente ao dataset e a acurácia da rede neural
A incrementação desta arquitetura está disponível no GitHub, através do link:

https://github.com/GleicianeSilva/App_See.
4.3 VALIDAÇÃO DO USUÁRIO
O System Usability Scale (SUS) é uma métrica de avaliação da usabilidade de

sistemas computacionais produzido por um questionário padronizado, considerado o
mais utilizado devido sua praticidade, rapidez, confiança e é válido para medir
usabilidade percebida pelos usuários, mesmo que sua utilização tenha pequenas
amostras. (LEWIS, 2018 apud REVYTHI; TSELIOS, 2019)
58
Com base no questionário proposto por Lewis (2018) apud Revythi e Tselios
(2019) e na NBR ISO/IEC 9126-1 de 2003 foi realizado o Apêndice D - Questionário
de usabilidade com perguntas que abrangem todas as subcaracterísticas de
usabilidade: Inteligibilidade, apreensibilidade, operacionalidade, atratividade e
conformidade.
O questionário se inicia com uma das subcaracterísticas de usabilidade, a
inteligibilidade. Nessa questão, evidencia-se que o reconhecimento de moedas por
comando de voz no APP See desenvolvido é necessário e imprescindível para o
deficiente visual em meio às suas necessidades diárias. Logo, a concordância em sua
totalidade no que concerne a sua inteligibilidade é notável, pois sem a tecnologia do
comando de voz o deficiente não conseguiria realizar o que é proposto pelo APP.
Em um primeiro contato com o aplicativo, percebe-se que o mesmo não
apresenta dificuldades desde o seu acesso inicial até a realização do reconhecimento
de fato da moeda. Com isso, é importante mencionar que o APP See é de fácil
compreensão e suas etapas são descritas de forma clara. Porém, também é
necessário destacar que seus usuários poderão apresentar algumas dificuldades em
seu dispositivo móvel para localizá-lo, visto que mesmo utilizando o TalkBack, as
informações para encontrá-lo poderão ocorrer de forma lenta devido ao fato de entrar
em aplicativos diferentes ou até mesmo ter que tocar duas vezes na tela do seu
dispositivo para ter a resposta do que deseja.
Após a inserção efetiva no aplicativo, os comandos de voz são acionados e os
procedimentos para o reconhecimento da moeda são colados através de notificações
via comando de voz. O sintetizador de voz situa e ao mesmo tempo orienta o usuário,
seja ele deficiente visual ou não para os passos seguintes, como por exemplo, o tipo
de moeda e sua posição em frente a câmera do dispositivo. Em seguida, a câmera é
automaticamente acionada e um segundo áudio é ativado. Nele, a indicação de alerta
para que a moeda seja posicionada em frente a câmera é falada e nesse momento o
reconhecimento acontece. O feedback da imagem é proferido como resposta ao valor
da moeda e o reconhecedor de voz é acionado perguntando se o usuário deseja fazer
um novo reconhecimento ou não. Caso a escolha seja sim, todo o procedimento é
realizado novamente. Caso a resposta seja não, encerra-se o seu uso. Destaca-se
como ponto positivo o fato de poder ouvir os resultados através do comando de voz
das etapas que são realizadas ao longo da utilização do protótipo.
59
Portanto, conclui-se que as instruções de como utilizar o APP See são claras e
objetivas e a forma de interação por voz facilita a identificação de como usar o
protótipo, sendo entendido através do retorno do reconhecimento da moeda por meio
do feedback como resposta da classificação da mesma.
Ao término de todas as etapas das subcaracterísticas de usabilidade, conclui-
se que as ações propostas pelo APP See foram satisfatórias ao que se desejava e
esperava alcançar, pois é de fácil compreensão, suas etapas são descritas de forma
clara e sua função é de total importância para o deficiente visual frente a uma de suas
necessidades diárias. Constata-se que mediante as limitações do sistema operacional
Android pode ser desafiador para a pessoa portadora de deficiência visual encontrar
rapidamente o aplicativo desejado ao utilizar o próprio dispositivo móvel, um recurso
do próprio SO para minimizar essa limitação é a busca através da Inteligência Artificial
de Pesquisa do Google integrado em dispositivos smartphones modernos.
Sugere-se a aplicação do questionário de usabilidade desenvolvido pelas
autoras e presente no Apêndice D com uma amostra maior para uma validação do
APP See em pesquisas futuras.
60
5 CONSIDERAÇÕES FINAIS
O presente estudo surgiu com o propósito de sanar uma necessidade colocada

pelos deficientes visuais entrevistados no projeto de pesquisa anteriormente
realizado. A principal demanda dos participantes da pesquisa foi um aplicativo que
identificasse moedas brasileiras. Por esse motivo, foi desenvolvido um protótipo para
auxiliar o reconhecimento de moedas para os deficientes visuais com redes neurais
convolucionais e aplicação em tecnologia assistiva.
Com tudo o que foi estudado, pesquisado, analisado e testado, conclui-se que
o aplicativo Meu Dinheiro funciona em aparelhos com o mesmo sistema operacional
Android, todavia, o aplicativo demora para dar resposta. Além disso, a depender da
posição da cédula em frente a câmera, algumas vezes não é possível fazer a análise
do reconhecimento da cédula. Porém, mesmo com tais dificuldades, é perceptível que
auxilia o deficiente visual em suas atividades diárias que exigem o reconhecimento de
dinheiro.
Conclui-se também que o protótipo do APP See desenvolvido auxilia na vida
cotidiana dos deficientes visuais, já que a partir do uso dele é possível chegar ao
objetivo de reconhecimento das moedas. Os recursos da tecnologia assistiva são
fundamentais para auxiliar o deficiente visual em suas atividades diárias, fortalecendo-
o, criando independência e segurança na realização das mesmas.
Embora exista ainda a necessidade de implementação de uma interface do
usuário, uma vez que esta possui apenas um mockup com seu design idealizado e
hajam aprimoramentos a serem realizadas no que tange a Ciência de Dados —
especialmente no desenvolvimento do algoritmo de Deep Learning para Visão
Computacional voltado para análise de moedas brasileiras em diferentes contextos,
foram descobertos diversos pontos positivos como fácil compreensão em todas as
etapas realizadas pelo protótipo, o sintetizador de voz é claro e objetivo ao descrever
o tipo e a posição da moeda para seu reconhecimento, além do feedback como
resposta da mesma. A validação de usabilidade do software foi efetivada através do
protótipo em questão.
61
Em trabalhos futuros o APP See será disponibilizado no Play Store para
download, e assim, poderá ser utilizado não somente pelo deficiente visual, mas como
por qualquer usuário final.
Uma das considerações proposta neste trabalho é da otimização do software
desenvolvido para cálculos de conjuntos de moedas identificadas, de modo que um
deficiente visual ou não, possa através de uma simples fotografia obter o resultado da
soma das moedas, funcionalidade que pode agregar nas operações financeiras
diárias de qualquer pessoa e transformar os meios de pagamentos atuais através de
modernização.
5.1 CONTRIBUIÇÕES
Pensar em analisar um aplicativo já desenvolvido é algo que contribuiu de forma

significativa na vida do deficiente visual, pois além de ter sido uma experiência única
obtida por meio dos recursos da tecnologia assistiva, ver o resultado desse estudo
criando estrutura, foi prazeroso.
Durante as inúmeras reflexões construídas, percebeu-se que realizar apenas
as análises de aplicativos passou a ser enriquecedor e ao mesmo tempo desafiador.
E, para aumentar ainda mais o desafio, foi desenvolvido um protótipo do APP See que
visa realizar o reconhecimento de moedas brasileiras.
A princípio a ideia de desenvolver o protótipo citado não havia sido pensada,
pois todo o estudo centrava-se na análise do aplicativo Meu Dinheiro e nos benefícios
que o mesmo proporciona aos deficientes visuais.
Desenvolver e validar o APP See trouxe vários desafios, dúvidas, indagações,
pesquisa e muito estudo. Todo esse processo produziu aprendizagens significativas
e conhecimentos fundamentais para a continuação desse estudo, visto que
proporcionou colocar em prática o que antes era apenas teoria. Além disso, é de suma
importância destacar que o protótipo contribui de forma positiva para a sociedade em
geral, especialmente os deficientes visuais que ao utilizá-lo realizará de forma mais
segura, autônoma e eficiente suas atividades diárias que envolvam dinheiro.
62
Receber o feedback dos testes realizados com aplicativo de terceiros e o
desenvolvimento do protótipo do APP See fez toda diferença para a reflexão, análise
e construções futuras do tema abordado
5.2 LIÇÕES APRENDIDAS
A comunicação com o deficiente visual durante o desenvolvimento do trabalho

foi um momento enriquecedor, no qual tive a oportunidade de ouvir e compreender as
suas dificuldades/barreiras, que serviram como base na construção dos resultados
almejados.
O contato direto com o deficiente visual, nos faz enxergar que suas limitações
de forma alguma serão obstáculos em sua vida, e que nenhuma dificuldade os
impedirá de realizar os seus objetivos e sonhos.
A amostragem de dados de usuários resultada pelo questionário pode ser
ampliada em pesquisas futuras, assim como o APP See pode ter contribuições
significativas na sociedade se houverem esforços para seu desenvolvimento, uma vez
que este possui demanda e representa um nicho de mercado — evidenciado por
aplicativos com o mesmo modelo de negócio concorrentes. Esta pesquisa trouxe
resultados que podem ser utilizados em termos de negócio, tal que, pode-se perceber
que cada pessoa é diferente dentro da sua deficiência, e que todos têm a capacidade
de realizar as suas metas desde que seja auxiliado por tecnologias eficientes
respeitando a diversidade destas pessoas.
Com tudo isso, colaborar e oportunizar a realização de atividades diárias no
que concerne ao manuseio de moedas brasileiras, seja através do pagamento ou troco
recebido em determinadas situações, demonstram a seriedade do presente trabalho
e ao mesmo tempo reflete a necessidade cada vez mais presente da inclusão dos
deficientes visuais em todos os seus aspectos na sociedade em que vivemos.
63
5.3 TRABALHOS FUTUROS
A partir do estudo de viabilidade do aplicativo de reconhecimento de cédulas

(Meu Dinheiro) e a criação do protótipo do APP See utilizado para o desenvolvimento
deste trabalho, são propostos trabalhos futuros. Dentre eles têm-se:
• Publicação do protótipo App See nas lojas das plataformas Android, iOS e
outros sistemas operacionais;
• Aperfeiçoamento do aplicativo para identificar diversas moedas ao mesmo
tempo;
• Identificação e reconhecimento de moedas de outros países;
• Calcular a soma das moedas após sua identificação.
64
REFERÊNCIAS
ABADI, M. TensorFlow: Large-Scale Machine Learning on Heterogeneous

Distributed Systems. arXiv preprint, 1603.04467v2 [cs.DC]. 2016. Disponível em:
<https://arxiv.org/abs/1603.04467>. Acessado em: 07 de junho de 2021.
ABADI, M.; AGARWAL, A.; BARHAM, P.; BREVDO, E.; CHEN, Z.; CITRO, C.;
CORRADO, G. S.; DAVIS, A.; DEAN, J.; DEVIN, M.; GHEMAWAT, S.;
GOODFELLOW, I.; HARP, A.; IRVING, G.; ISARD, M.; JIA, Y.; JOZEFOWICZ, R.;
KAISER, L.; KUDLUR, M.; LEVENBERG, J.; MANÉ, D.; MONGA, R.; MOORE, S.;
MURRAY, D.; OLAH, C.; SCHUSTER, M.; SHLENS, J.; STEINER, B.; SUTSKEVER,
I.; TALWAR, K.; TUCKER, P.; VANHOUCKE, V.; VASUDEVAN, V.; VIÉGAS, F.;
VINYALS, O.; WARDEN, P.; WATTENBERG, M.; WICKE, M.; YU, Y.; ZHENG, X.
TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems. 2015
Software available from tensorflow.org. Disponível em: http://tensorflow.org/.
Acessado em: 11 de junho de 2021.
ALBUQUERQUE, M. P. Processamento de Imagens: Métodos e Análises. Centro

Brasileiro de Pesquisas Físicas – CBPF/MCT, Coordenação de Atividades Técnicas
– CAT. Rio de Janeiro. 2000. 12 f. Disponível em: Acessado em: 05 de abril de 2021.
ANJOS, L. A.; MOURA, H. P. Um Modelo para Avaliação de Produtos de Software.

Centro de Informática – Universidade Federal de Pernambuco. 2005. 12 f. Disponível
em: <www.cin.ufpe.br/^tg/2005-1/acps.pdf>. Acessado em: 06 de setembro de 2021.
ARAÚJO, F. et al. Redes Neurais Convolucionais com Tensorflow: Teoria e

Prática. SOCIEDADE BRASILEIRA DE COMPUTAÇÃO. III Escola Regional de
Informática do Piauí. Livro Anais-Artigos e Minicursos, v. 1, p. 382-406, 2017.
Acessado em: 02 de julho de 2021.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 9126-1: Engenharia

de software – Qualidade de Produto – Parte 1: Modelo de qualidade. Rio de
Janeiro, p. 9-10. 2003. Acessado em: 09 de setembro de 2021.
AZEVEDO, E.; CONCI, A.; VASCONCELOS, C. N. Computação Gráfica. Teoria e

Prática: Geração de Imagens. 2 ed. Vol. 1. Rio de Janeiro: Elsevier, 2018.:il. 325 p.
ISBN 978-85-352-8779-0 Acessado em: 01 de março de 2021.
BACKES, A. R.; JUNIOR, J. J. Introdução à Visão Computacional Usando

MATLAB. 1º.ed. Rio de Janeiro: Alta Books Editora, 2016. Acessado em: 07 de abril
de 2021.
BAGGIO, D. L. OpenCV 3.0 Computer Vision with Java. [S.l.]: Packt Publishing Ltd,
2015. Acessado em: 03 de maio de 2021.
65
BEHLAU, M.; AZEVEDO, R.; PONTES, P. Conceito da voz normal e classificação das
disfonias. In: BEHLAU, Mara (Org.). Voz – O livro do especialista. v.1. Rio de
Janeiro: Revinter, 2004. p.53-84. Acessado em: 05 de julho de 2021.
BRADSKI, G.; KAEHLER, A. Learning OpenCV: Computer vision with the OpenCV
library. América. O’Reilly Media, Inc. 1ª ed. 2008. 580 p. ISBN: 978-0-596-51613-0.
Acessado em: 05 de maio de 2021.
BRASIL, Jusbrasil. Artigo 61 do Decreto nº 5.296 de 02 de dezembro 2004. Brasília,

DF: Jusbrasil, 2004. Disponível em:
<https://www.jusbrasil.com.br/topicos/10935226/artigo-61-do-decreto-n-5296-de-02-
de-dezembro-de-2004>. Acessado em: 03 de fevereiro de 2021.
BRASIL, Jusbrasil. Artigo 70 do Decreto nº 5.296 de 02 de dezembro de 2004. Brasília,

DF: Jusbrasil, 2004. Disponível em:
<https://www.jusbrasil.com.br/busca?q=art.+70+do+decreto+5296%2F04>.
Acessado em: 05 de fevereiro de 2021.
BRASIL. Subsecretaria Nacional de Promoção dos Direitos da Pessoa com

Deficiência. Comitê de Ajudas Técnicas. Tecnologia Assistiva. Brasília: CORDE,
2009. 138 f. Acessado em: 08 de fevereiro de 2021.
BRAZ, C. A. Sistema Controle Via Comando de Voz. 2008. 65 f. Monografia

(Bacharelado em Engenharia da Computação) – Universidade São Francisco.
Campinas. São Paulo, 2008. Acessado em: 07 de julho de 2021.
BUDIHARTO, W.; GROUP, S. P. Modern Robotics with OpenCV. Ed. Science

Publishing Group, 2014. 219 p. ISBN: 978-1-940366-12-8. Acessado em: 09 de abril
de 2021.
CASTRO, G. C; OLIVEIRA, L. M; PLOTZE, R. O. Utilização de inteligência artificial

no reconhecimento de voz para solicitação de ajuda. IBM, 2020. 9 p. Artigo -
Faculdade de Tecnologia de Ribeirão Preto (FATEC), São Paulo, 2020. Acessado em:
03 de março de 2021.
CMS. CTA – Centro de Acessibilidade, 2021. Ferramentas gratuitas de Tecnologia

Assistiva. Disponível em: <https://cta.ifrs.edu.br/tecnologia-assistiva/ferramentas-
gratuitas-de-ta/>. Acessado em: 04 de janeiro de 2021.
COHEN, M. H.; GIANGOLA, J. P.; BALOGH, J. Voice User Interface Design, Addison
Wesley. ISBN: 0-321-18576-5. 368 pp., 2004. Acessado em: 09 de julho de 2021.
COHEN, P. R.; FEIGENBAUM, E. A. The handbook of artificial intelligence. Vol. 3.

Callifornia: Willian Kaufman. 1984. Acessado em: 12 de abril de 2021.
CONCI, A.; AZEVEDO, E.; LETA, F. R. Computação Gráfica – Teoria e Prática. Rio
de Janeiro: Campus/Elsevier. 2008. 2 ed. Vol. 2. 432 p. ISBN: 978-85-352-2329-3.
Acessado em: 14 de abril de 2021.
66
COSTA, C. I. da. As tecnologias têm um impacto? In: LÉVY, P. Cibercultura. São
Paulo: Ed. 34, 1999. p. 21-30. Acesso em: 10 de fevereiro de 2021.
CYBIS, W.; BETIOL, A.; FAUST, R. Ergonomia e Usabilidade: Conhecimentos,

Métodos e Aplicações. 2ª ed. São Paulo: Novatec. 2010. 300p. Acessado em: 14 de
setembro de 2021.
DAMASCENO, E. F. Avaliação das Bibliotecas de Reconhecimento e Síntese de

Fala em Ambientes Virtuais. Dissertação (Mestrado em Ciências da Computação) –
Centro Universitário Eurípides: Fundação de Ensino Eurípides Soares da Rocha.
Marília, 2005. Acessado em: 13 de julho de 2021.
DEBATIN, L.; FILHO, A.; NAU, J.; ZANCHETT, P.; CORREIA, W. Implementação de
API para Reconhecimento e Sintetização de Voz em um Aplicativo Móvel. In:
SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 13., 2017,
Lavras. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2017. p. 151-
157. DOI: https://doi.org/10.5753/sbsi.2017.6037. GONZALEZ; WOODS.
Processamento Digital de Imagens. 3ª ed. Ed. Pearson, 2009. Acessado em: 15 de
julho de 2021.
DEMARTINI, F. Brasil já tem mais de um smartphone ativo por habitante. [S. l.].
2018. Disponível em: <https://canaltech.com.br/produtos/brasil-ja-tem-mais-de-um-
smartphone-ativo-por-habitante-112294/>. Acessado em: 19 de julho de 2021.
DONOVAN. LOUIS BRAILLE – Escola para Deficientes Visuais, 2020. Estatísticas

sobre deficiente visual no Brasil e no mundo. Disponível em:
<https://louisbraille.org.br/portal/2020/04/13/estatisticas-sobre-deficiencia-visual-no-
brasil-e-no-mundo/>. Acessado em: 12 de fevereiro de 2021.
DORINA, 2019. Estatísticas sobre pessoas cegas e com baixa visão. Sobre pessoas
cegas e com baixa visão no Brasil. Fundação Dorina Nowill para Cegos, 2019.
Disponível em: <http://fundacaodorina.org.br/a-fundacao/pessoas-cegas-e-com-
baixa-visao/estatisticas-da-deficiencia-visual/>. Acessado em: 15 de fevereiro de
2021.
ENFOLD. Città Telecom, 2020. Inteligência Artificial. Disponível em:

<https://www.cittatelecom.com.br/2020/05/ia-coronavirus/>. Acessado em: 05 de
março de 2021
FACON, J. Processamento e análise de imagens. Província de Córdoba:

Universidad Nacional de Córdoba, 1993. Acessado em: 16 de abril de 2021.
FERREIRA, K. A.; DRUMOND, E. C. Normas ISO para Usabilidade. 2002. 20 p.

Trabalho (Especialização em Informática – Engenharia de Software) Universidade
Federal de Minas Gerais – Instituto de Ciências Exatas, 2002. Acessado em: 16 de
setembro de 2021.
67
FERREIRA, S.; CHAUVEL, M.; FERREIRA, S. E-acessibilidade: Tornando Visível
o Invisível. In: Morpheus – Revista Eletrônica em Ciência Humanas – Ano 06, número
10, 2007. Acessado em: 03 de agosto de 2021.
FILHO, O. M.; NETO, H. V. Processamento Digital de Imagens, Rio de Janeiro:

Brasport, 1999. 331 p. ISBN 8574520098. Acessado em: 07 de maio de 2021.
GALVÃO FILHO, T. A. Tecnologia Assistiva para uma escola inclusiva:

apropriação, demanda e perspectivas. 2009. 346 f. Tese (Doutorado em Educação)
– Faculdade de Educação, Universidade Federal da Bahia, Salvador, 2009. Acessado
em: 17 de fevereiro de 2021.
GIL, A. C. Métodos e técnicas de pesquisa social. 5.ed. São Paulo: Ed. Atlas S. A.,
1999, 208 p. ISBN: 978-85-224-2270-8. Acessado em: 04 de outubro de 2021.
GIL, A. C. Métodos e técnicas de pesquisa social. 6.ed. São Paulo: Ed. Atlas S. A.,
2008. 220 p. ISBN 978-85-224-5142-5. Acessado em: 07 de outubro de 2021.
GIL, Marta (Org.). Deficiência Visual. Brasília: MEC – Secretaria de Educação a

Distância, 2001. 80 p.: il. (Cadernos da TV Escola. 1. ISSN 1518-4692). Disponível
em: < http://www.dominiopublico.gov.br/download/texto/me002300.pdf>. Acessado
em: 07 de janeiro de 2021.
Gonzalez, R. C. Processamento de Imagens Digitais. Ed. Edgard Blucher. 2000.

GOODFELLOW, I; BENGIO, Y.; COURVILLE, A. Deep Learning. [S.l.]: MIT Press,

2016. 802 p. Disponível em: http://www.deeplearningbook.org. Acessado em: 08 de
março de 2021.
Google Developers. ANDROID STUDIO, 2016. Conheça o Android Studio. Disponível

em: https://developer.android.com/studio/intro/index.html. Acessado em: 21 de julho
de 2021.
GRACIANO, A. B. Rastreamento de objetos baseado em reconhecimento

estrutural de padrões. 2007. 131 f. Dissertação (Mestrado em Ciências) – Instituto
de Matemática e Estatística – Universidade de São Paulo, São Paulo, 2007.
Disponível em: <https://teses.usp.br/teses/disponiveis/45/45134/tde-05112009-
204609/publico/MestradoAnaGraciano.pdf>. Acessado em: 10 de março de 2021.
GUILHOTO, P. J.; ROSA, S. P. Reconhecimento de voz. 2002. 16 f. Sistemas

Multimédia (Licenciatura em Engenharia Informática) – Faculdade de Ciências e
Tecnologia – Universidade de Coimbra. 2002. Acessado em: 05 de agosto de 2021.
GUIMARÃES, A. L.; AMADEU, F.; MARÇAL, H. Leitor de cédulas para deficientes

visuais utilizando Arduino. 2016. Trabalho de Conclusão de Curso (Graduação em
Engenharia Elétrica) - Faculdade de Americana. São Paulo. Disponível em:
<http://aplicacao.vestibularfam.com.br:881/pergamumweb/vinculos/000002/0000022
8.pdf>. Acessado em: 11 de janeiro de 2021.
68
HANSON, V. L. The User Experience: Designs and Adaptations. Proceedings of
International Cross-Disciplinary Workshop on Web, p. 13, 2004. Acessado em: 09 de
agosto de 2021.
HAVENS, D.; BAKER, M. P. Computer graphics. London: Prentice - Hall. 1983.

Acessado em: 19 de abril de 2021.
HIGA, P. 95,5% dos smartphones vendidos no Brasil são Androids. [S. l.]. 2016
Disponível em: <https://tecnoblog.net/203749/Android-ios-market-share-brasil-3t-
2016/>. Acessado em: 23 de julho de 2021.
IBGE, IBGE educa, 2010. Pessoas com Deficiência. Disponível em:

<https://educa.ibge.gov.br/jovens/conheca-o-brasil/populacao/20551-pessoas-com-
deficiencia.html>. Acessado em: 13 de janeiro de 2021.
JULIO, C.; BECHEL, G. O. Identificação de Cores Predominantes em Fotos de

Câmeras de Smartphones através de Chamadas Assíncronas. 2013. 52 f.
Trabalho de Conclusão de Curso (Tecnólogo em Análise e Desenvolvimento de
Sistemas) – Universidade Tecnológica Federal do Paraná – Campus Ponta Grossa.
Ponta Grossa, 2013. Acessado em: 14 de junho de 2021.
KURZWEIL, R. The Age of Spiritual Machines. Massachusetts: MIT Press, 1992.

580 p. ISBN: 978-02-626-1079-7. Acessado em: 13 de outubro de 2021.
LECHETA; R. R. Google Android: Aprenda a criar aplicações para dispositivos

móveis com o Android SDK. 3ª ed. São Paulo: Novatec, 2013. Acessado em: 26 de
julho de 2021.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, Springer Science and
Business Media LLC. Vol. 521. n. 7553. 2015. p. 436–444. Acessado em: 12 de março
de 2021.
LEVIN, G. Computer Vision for Artists and Designers: Pedagogic Tools and
Techniques for Novice Programmers. Journal of Artificial Intelligence and Society.
London. Vol. 20. Ed. 4. Springer Verlag. Sep 2006: 462-482. DOI:10.1007/s00146-
006-0049-2. Disponível em http://www.flong.com/texts/essays/essay_cvad/.
Acessado em: 15 de março de 2021.
LEWIS, J. R. The system usability scale: Past, present, and future. International
Journals of Human – Computer Interaction. Vol. 34, 7ª Ed., 2018. Acessado em: 15 de
outubro de 2021.
LUNA. SÍNDROME DE USHER Brasil, 2016. Recursos e aplicativos nos celulares.

Disponível em: https://www.sindromedeusherbrasil.com.br/acessibilidade-celulares.
Acessado em: 28 de julho de 2021.
MAFFEI, L. B.; KINTSCHNER, F. E.; FERREIRA, D. H.; RODRIGUES, D. C.; JUNIOR,

V. P. BLIND – Aplicativo para deficientes visuais de leitura de cédulas de real.
69
Dissertação (Bacharelado em Engenharia da Computação) – Pontifícia Universidade
Católica de Campinas. Campinas, 2019, 6 f. ISSN: 2447-8326. V.1. Acessado em: 21
de setembro de 2021.
MARIN, H. F., CUNHA, I. C. Perspectivas atuais da Informática em Enfermagem.

REBEn, São Paulo, v. 3, n. 59, p.354-357, 2006. Bimestral. DOI:
https://doi.org/10.1590/S0034-71672006000300019. Acessado em: 30 de julho de
2021.
MCTEAR, M. F. Spoken Dialogue Technology: Enabling the Conversational User

Interface. ACM Computing Surveys. Vol. 34. No. 1, pp. 90–169, 2002. Acessado em:
11 de agosto de 2021.
MELO, A. M; PUPO, D. T. A Educação Especial na Perspectiva da Inclusão

Escolar: livro acessível e informática acessível. Brasília: Ministério da Educação,
Secretaria de Educação Especial. Universidade Federal do Ceará. 2010 Acessado
em: 13 de agosto de 2021.
MENDES, M. M. Google Play: Meu Dinheiro. 2018. Disponível em:

<https://play.google.com/store/apps/details?id=br.com.unifacef.meuDinheiro&hl=en_
US&gl=US>. Acessado em: 23 de setembro de 2021.
MUNARI, B. Das Coisas Nascem Coisas. 2ª ed. São Paulo: Martins Fontes, 2008,
388p. Acessado em: 18 de outubro de 2021.
NICÁCIO, J. M. Técnicas de acessibilidade: criando uma web para todos. Maceio,

EDUFAL, 2010. 100 p.:il. Disponível em:
<https://jalvesnicacio.files.wordpress.com/2010/11/tc3a9cnicas-de-acessibilidade-
web-jalves-nicc3a1cio.pdf>. Acessado em: 19 de fevereiro de 2021.
NIELSEN, J.; LORANGER, H. Usabilidade na web. Elsevier. Rio de Janeiro, 2007.

Acessado em: 16 de agosto de 2021.
OLIVEIRA, S. L. Tratado de metodologia científica: Projetos de Pesquisas, TGI,

TCC, Monografias, Dissertações e Teses. São Paulo: Pioneira Thomson Learning,
2002. Acessado em: 20 de outubro de 2021.
OPENCV. About – OpenCV. 2015. Disponível em: <https://opencv.org/about/>.

OPENCV. OpenCV. In: WIKIPÉDIA: a enciclopédia livre. [JakeCrowford, CA:

Fundação Wikimedia], 2021. Disponível em: <https://pt.wikipedia.org/wiki/OpenCV>.
Acessado em: 16 de junho de 2021.
OST, F. N. Visão Computacional e Arte Digital. 2008. 17 f. Monografia (Bacharelado

em Ciência da Computação) – Instituto de Matemática e Estatística – Universidade de
São Paulo. São Paulo, 2008. Acessado em: 21 de junho de 2021.
70
PAPAJORGJI, P. Automated Enterprise Systems for Maximizing Business
Performance. 1 edition. ed. Hershey, PA: IGI Global, 2015. ISBN 978-1-4666-8841-
4. Acessado em: 18 de agosto de 2021.
PETROU, M.; PETROU, C. Image Processing: The Fundamentals. 2. ed.

Singapore: Wiley, 2010. Acessado em: 22 de abril de 2021.
REVYTHI, A.; TSELIOS, N. Extension of technology acceptance model by using

system usability scale to assess behavioral intention to use e-learning. Education
and Information Technologies. Vol. 24. Ed.4. 2019. DOI:10.1007/s10639-019-09869-
4. Acessado em: 22 de outubro de 2021.
REZENDE, C. S. Avaliação de Qualidade de Software Educacional para o Ensino

de Ciências. 2013. 25 f. Dissertação (Mestrado em Ensino de Ciências) –
Universidade Federal de Itajubá. 2013. Acessado em: 28 de setembro de 2021.
SARTORETTO, M. L.; BERSCH, R, 2018. Tecnologia Assistiva e Educação.

Informações adicionais. Disponível em: <http://www.assistiva.com.br>. Acessado em
15 de janeiro de 2021.
SEDI. Secretaria de Estado de Desenvolvimento Social – Governo do Estado de

Goiás. Pessoa com Deficiência. OMS, 2018. Disponível em:
<https://www.social.go.gov.br/areas-de-atuacao/pessoa-com-deficiencia.html>.
Acessado em: 22 de fevereiro de 2021.
SEESP/MEC. Saberes e práticas da inclusão: desenvolvendo competências para

o atendimento às necessidades educacionais especiais de alunos cegos e de
alunos com baixa visão. 2. ed. – Brasília: MEC – Secretaria de Educação Especial,
2006. 208 p. (Série: Saberes e práticas da inclusão). Disponível em:
<http://portal.mec.gov.br/seesp/arquivos/pdf/alunoscegos.pdf>. Acessado em: 24 de
fevereiro de 2021.
SHAPIRO, L.; STOCKMAN G. Computer Vision. 1ª ed. Ed. Prentice Hall, Inc. 2000.
617 p. Acessado em: 26 de abril de 2021.
SHNEIDERMAN, B. Designing the User Interface: Strategies for Effective Human

– Computer Interaction, 4th Edition, Massachusetts – Addison_wesley, 2004.
Acessado em: 20 de agosto de 2021.
SILVA, D. A.; RECHIUTI, L. V. Processamento de imagens digitais. Instituto de

Estudos Avançados, São José dos Campos. São Paulo:[s.n.]. 1997.
SILVA, R. C. Rastreamento em Tempo Real com Câmera de Pan-Tilt. Bauru: [s.n.],

2011. Acessado em: 14 de maio de 2021.
SILVEIRA, C.; BERTOLINI, C.; PARREIRA, F. J.; SILVEIRA, S. R.; ULBRICHT, V. R.;
ALMEIDA, I. C. de; GELLER, M.; RIBEIRO, V. G. Money Identifier: aplicativo
identificador de cédulas para dispositivos móveis. Research, Society and
Development [S. l.], v. 9, n. 1, p. e07911393, 2020. DOI: 10.33448/rsd-v9i1.1393.
71
Disponível em: <https://rsdjournal.org/index.php/rsd/article/view/1393/1392>.
Acessado em: 20 de janeiro 2021.
SNPD. Cartilha do Censo 2010: Pessoas com deficiência. 1. ed. Brasília/DF:

Secretaria Nacional de Promoção dos Direitos da Pessoa com Deficiência, 2012. 32
p. Disponível em: https://inclusao.enap.gov.br/wp-content/uploads/2018/05/cartilha-
censo-2010-pessoas-com-deficienciareduzido-original-eleitoral.pdf. Acessado em: 22
de janeiro de 2021.
TECHOPEDIA. Convolutional Neural Network (CNN). 2018. Disponível em: <https:

//www.techopedia.com/definition/32731/convolutional-neural-network-cnn>.
Acessado em: 17 de março de 2021.
TEIXEIRA, J. F. O que é inteligência artificial [recurso eletrônico] / João

Fernandes Teixeira. Porto Alegre. RS: Ed. Fi. 2017. 60 p. ISBN – 978-85-5696-135.
Disponível em: <https://www.editorafi.org/product-page/o-que-%C3%A9-
intelig%C3%AAncia-artificial-jo%C3%A3o-de-fernandes-teixeira>. Acessado em: 26
de fevereiro de 2021.
TEIXEIRA, V. V.; NASCIMENTO, M. Z.; BRAGA, J. C. Método para auxiliar o

reconhecimento de cédulas monetárias pelos deficientes visuais. In: XIII
Workshop de Informática Médica, 2013, Maceió. Anais do XXXIII Congresso da
Sociedade Brasileira de Computação - CSBC 2013, 2013. Acessado em: 30 de
setembro de 2021.
TENSORFLOW. Tensores e Operações. 2019. Disponível em:

<https://www.tensorflow.org/js/guide/tensors_operations>. Acessado em: 24 de junho
de 2021.
TENSORFLOW. Uma plataforma completa de código aberto para machine

learning, 2019. Por que usar o TensorFlow. Disponível em:
https://www.tensorflow.org. Acessado em: 28 de junho de 2021.
VERGARA, S. C. Projetos e relatórios de pesquisa em administração. São Paulo:

Atlas, 2ª ed., 1998, 220 p. Acessado em: 25 de outubro de 2021.
VIANNA, M.; VIANNA, Y.; ADLER, I. K; LUCENA, B.; RUSSO, B. Design thinking:
inovação em negócios. 2ª ed. Rio de Janeiro: MJV Press, 2018. 162 p. ISBN 978-
85-65424-00-4. Acessado em: 26 de outubro de 2021.
WORLD HEALTH ORGANIZATION - WHO. World Report on Disability. Disponível em:

<https://www.who.int/disabilities/world_report/2011/report/en/>. Acessado em: 19 de
março 2021.
WORLD HEALTH ORGANIZATION- WHO. What is Vision 2020. Disponível em:

<https://www.who.int/blindness/partnerships/vision2020/en/>. Acessado em: 22 de
março de 2021.
72
YIN, R. K. Estudo de caso: planejamento e métodos. 4ª ed. Porto Alegre: Bookman,
2010. 248 p. ISBN: 978-85-778-0655-3. Acessado em: 27 de outubro de 2021.
YOUNG, I. T.; GERBRANDS, J. J.; VLIET, L. J. Fundamentals of Image Processing.

Netherlands: The Netherlands at the Delft University of Technology, 1998. Acessado
em: 28 de abril de 2021.
73
APÊNDICE A – PESQUISA SOBRE A ANÁLISE DE UM APLICATIVO VOLTADO
PARA DEFICIENTES VISUAIS
74
75
76
77
78
APÊNDICE B – ENTREVISTA COM DEFICIENTE VISUAL
79
80
81
APÊNDICE C – PERSONAS
82
APÊNDICE D – QUESTIONÁRIO DE USABILIDADE
Questionário de Avaliação de Usabilidade
As perguntas deste questionário são destinadas a avaliar a usabilidade do

Protótipo APP See.
1. Você considera necessário o reconhecimento de moeda por meio de comando

de voz.
□ Discordo Totalmente
□ Discordo
□ Neutro
□ Concordo
□ Concordo Totalmente
2. O primeiro contato com o aplicativo foi realizado de forma clara.
□ Discordo
□ Neutro
□ Concordo
3. Você ficou confuso com o uso do aplicativo.
□ Discordo
□ Neutro
□ Concordo
83
4. Você teve dificuldades ao utilizar o aplicativo.
□ Discordo
□ Neutro
□ Concordo
5. As instruções de como utilizar o aplicativo foram claras.
□ Discordo
□ Neutro
□ Concordo
6. A forma de interação por voz facilita a identificação de como usar o aplicativo.
□ Discordo
□ Neutro
□ Concordo
7. Você obtém o retorno do reconhecimento da moeda por meio de feedback

como resposta.
□ Discordo
□ Neutro
□ Concordo
84
8. Você pode ouvir os resultados de cada ação que realiza.
□ Discordo
□ Neutro
□ Concordo
9. O Aplicativo informa a você o que deve ser feito após a resposta do

reconhecimento da moeda.
□ Discordo
□ Neutro
□ Concordo
10. As ações do aplicativo foram satisfatórias ao que você desejava e esperava.
□ Discordo
□ Neutro
□ Concordo
85

GLEICIANE JOSÉ DA SILVA e ELIZÂNEA CHRISTIANE LIMA CAMPELO - Prof. Fernando Ferreira Carvalho

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

GLEICIANE JOSÉ DA SILVA e ELIZÂNEA CHRISTIANE LIMA CAMPELO - Prof. Fernando Ferreira Carvalho

Enviado por

Direitos autorais:

Formatos disponíveis

UNIFBV

CENTRO UNIVERSITÁRIO UNIFBV

VALIDAÇÃO DE USABILIDADE DE UM PROTÓTIPO DESENVOLVIDO PARA O

VALIDAÇÃO DE USABILIDADE DE UM PROTÓTIPO DESENVOLVIDO PARA O

Trabalho de Conclusão de Curso apresentado ao

Orientador: Prof. Dr. Fernando Ferreira Carvalho

VALIDAÇÃO DE USABILIDADE DE UM PROTÓTIPO DESENVOLVIDO PARA O

Trabalho de Conclusão de Curso apresentado ao

Orientador: Prof. Dr. Fernando Ferreira Carvalho

Aprovada em: _____/_____/____

Ao longo desses seis anos de Graduação, vários conhecimentos foram

Levando em consideração o índice significativo de pessoas com deficiência visual que

Palavras-chave: tecnologia assistiva; deficiência visual; visão computacional; redes

Key words: assistive technology; visual impairment; computer vision; convolutional

Figura 1 – Passos metodológicos do presente TCC ................................................ 18

Quadro 1 – Subcaracterísticas de Usabilidade – NBR 9126-1 ................................. 38

Tabela 1 – Dados do Censo Demográfico IBGE 2010 ............................................. 23

Gráfico 1 – Porcentagem da população por tipo, grau de dificuldade e deficiência,

Sabe-se que no Brasil temos um quadro com um índice considerável de

Fonte: IBGE educa, Censo Demográfico (2010).

Fonte: Elaborada pelas autoras.

1.1 CONTEXTUALIZAÇÃO DO PROBLEMA DA PESQUISA

Entre tantas dificuldades que as pessoas com deficiência visual enfrentam, o

1.2.1 Objetivo Geral

Analisar o aplicativo Meu Dinheiro e desenvolver um protótipo, denominado

1.2.2 Objetivos Específicos

• Contribuir para a inclusão social e proporcionar melhor qualidade de vida para

A deficiência visual, em qualquer grau, compromete a capacidade da pessoa

2.1 DEFICIÊNCIA VISUAL

A visão é o canal mais importante na relação do indivíduo com o mundo

Deficiência visual: cegueira, na qual a acuidade visual é igual ou menor que

De modo mais simples, cegueira é a total incapacidade ou baixa capacidade

Baixa visão - é a alteração da capacidade funcional da visão, decorrente de

Segundo dados do IBGE de 2010, no Brasil, das mais de 6,5 milhões de

É significativo ressaltar ainda, segundo dados do World Report on Disability

Tabela 1 – Dados do Censo Demográfico IBGE 2010

Fonte: Louis Braille (2020).

2.2 TECNOLOGIA ASSISTIVA

Tecnologia Assistiva é uma área do conhecimento, de característica

É importante lembrar que, as coisas que eram impossíveis, tornam-se possíveis

Dessa forma, compreende-se que o uso da tecnologia assistiva visa atender o

Portanto, percebe-se que a tecnologia assistiva é uma ferramenta

2.3 INTELIGÊNCIA ARTIFICIAL

O conceito de Inteligência Artificial começou a ser utilizado e estudada a partir

2.3.1 Redes Neurais Convolucionais

Rede neural convolucional (CNN, do inglês Convolutional Neural Network) é

2.3.1.1 Visão Computacional

Dessa forma, sabemos que visão computacional é um conjunto de métodos e

2.3.1.1.1 Processamento digital de imagens

O processamento digital de imagens fundamenta-se em um conjunto de

2.3.1.1.2 Biblioteca OpenCV (Open Source Computer Vision Library)

OpenCV (Open Source Computer Vision) é uma biblioteca da visão

2.3.1.2 Biblioteca TensorFlow

Há várias bibliotecas para o desenvolvimento de projetos de aprendizado de

Android é um sistema operacional mobile, ou seja, é software de gerenciamento

2.4.1 Tecnologias de Voz

As tecnologias de voz estão cada vez presentes na sociedade, seja entre os

2.4.1.1 Reconhecimento de Voz

“[...] Método pelo qual a linguagem natural ou convencional é registrada e o

Por meio da transformação de sinais de áudio em sinais digitais é possível

2.4.1.2 Sintetizador de Voz

Devido às limitações existentes entre hardware e software, estudos revelam

2.5 AVALIAÇÃO DE USABILIDADE

Aprovada em: ___/_/__