Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/31832
Registro completo de metadados
Campo DCValorIdioma
dc.creatorOliveira, Yuri Nagy de-
dc.date.accessioned2023-07-19T14:24:12Z-
dc.date.available2023-07-19T14:24:12Z-
dc.date.issued2022-11-17-
dc.identifier.citationOLIVEIRA, Yuri Nagy. Detecção de materiais ilícitos em imagens de raio-x de bagagens em aeroportos. 2022. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2022.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/31832-
dc.description.abstractAir transport is growing significantly in Brazil and the flow of users is constantly expanding. Given this, ensure the safety of users who must accompany this growth. Among the essential security measures at airports is the airworthiness of baggage. This measure takes place during the boarding flow and intends to look for objects that may contain some risk during the users' flight. This task takes place through an X-ray in which the luggage is kept, generating a real-time image, used by human operators to carry out the analysis, and thus detect whether the luggage contains any object that could pose danger. However, this verification needs a lot of attention and training of the operators, so that they do not cause mistakes during the analysis of the objects presented in the image. Factors such as: skill, motivation, among others, can directly affect the analysis, any failure can expose flights to threats. During the dispatch procedure, some airports rely on the aid of integrated systems that carry out simple object classification. We propose a convolutional neural network capable of classifying the objects contained in the bags and even saying the possible objects that present a danger to the flight, with a confidence factor that can help human operators in a more significant way. During the methodology, it discusses a convolutional neural network model, based on the YOLO architecture, which aims to classify objects in real time. A search was carried out to find some X-ray baggage image banks. From the definition of the image banks, image processing techniques were applied, to better highlight the characteristics of the images, in addition to leaving the standardized images following the standards of the network used. It was noted the need to apply a data argumentation method that carried out the expansion of image banks. Two classification methods were proposed: binary and non-binary, where objects such as: knives, weapons, portable chargers, among others, as dangerous. Each method carried out the labeling of the images in a different way, the binary method was labeled using an area of the image that may or may not contain a dangerous object, while the non-binary model carried out the labeling specifically on objects that may be dangerous. From the finalization of the labeling, the training of the YOLO convolutional neural network used in the methodology was carried out. The two methods used in classifying the datasets had great results during the classification of objects contained in luggage, achieving an accuracy of 96% for the non-binary classification and 67% accuracy for the binary model.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/pt_BR
dc.subjectAeroportospt_BR
dc.subjectBagagempt_BR
dc.subjectRaios X - Equipamento e acessóriospt_BR
dc.subjectAirportspt_BR
dc.subjectLuggagept_BR
dc.subjectX-rays - Equipment and suppliespt_BR
dc.titleDetecção de materiais ilícitos em imagens de raio-x de bagagens em aeroportospt_BR
dc.title.alternativeDetection of illegal materials in x-ray images of baggage at airportspt_BR
dc.typebachelorThesispt_BR
dc.description.resumoO transporte aéreo cresce de uma maneira significativa no Brasil e o fluxo de usuários está em constante ampliação. Diante disso, garantir a segurança dos usuários deve acompanhar este crescimento. Dentre as medidas de segurança essenciais nos aeroportos, tem-se a inspeção de bagagem, essa medida acontece durante o fluxo de embarque e possui o intuito de buscar objetos que possam conter algum risco durante o voo dos usuários. Essa tarefa acontece por meio de um raio-X onde as bagagens são submetidas, gerando uma imagem em tempo real, esta imagem é utilizada para análise dos operadores humanos, auxiliando na detecção de objetos que possam oferecer perigo dentro da bagagem. Essa verificação necessita de muita atenção e treinamento dos operadores, para que não ocorram enganos durante a análise dos objetos apresentados na imagem. Fatores como: aptidão, habilidade, motivação, entre outros, podem afetar diretamente a análise, qualquer falha, pode deixar os voos expostos a ameaças. Durante o procedimento de expedição, alguns aeroportos contam com o auxílio de sistemas integrados que realizam a simples classificação de objetos. Neste trabalho, foi proposta uma rede neural convolucional capaz de classificar os objetos contidos nas malas e até mesmo apontar os possíveis objetos que apresentam perigo para o voo, com um fator de confiança que possa auxiliar de maneira mais significativa os operadores humanos. Ao decorrer da metodologia discute um modelo de rede neural convolucional, baseada na arquitetura da YOLO que visa a classificação de objetos em tempo real. Foi realizado uma busca para encontrar alguns bancos de imagens de bagagens em raio-X. A partir da definição dos bancos de imagens foram aplicadas técnicas de processamento de imagem, para melhor evidenciar as características das imagens além, de deixar as imagens padronizadas seguindo os padrões da rede utilizada. Notou-se a necessidade da aplicação de data argumentation método que realizou a expansão dos bancos de imagem. Foram propostos dois métodos de classificação: binária e não binária, onde objetos como: facas, armas, carregadores portáteis, entre outros, como perigosos. Cada método realizou a rotulação das imagens de forma distinta, o método binário foi rotulado utilizando uma área da imagem em que pode ou não conter um objeto perigoso, já o modelo não binário foi realizado a rotulação especificamente nos objetos que possam trazer perigo. A partir da finalização da rotulação foi realizado o treinamento da YOLO, rede neural convolucional utilizada na metodologia. Os dois métodos utilizados na classificação dos datasets tiveram grandes resultados durante a classificação dos objetos contidos nas bagagens, alcançando uma precisão de 96% para a classificação não binária e 67% de precisão no modelo binário.pt_BR
dc.degree.localPonta Grossapt_BR
dc.publisher.localPonta Grossapt_BR
dc.contributor.advisor1Aires, Simone Bello Kaminski-
dc.contributor.referee1Aires, Simone Bello Kaminski-
dc.contributor.referee2Sanches, Ionildo José-
dc.contributor.referee3Morais, Erikson Freitas de-
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentDepartamento Acadêmico de Informáticapt_BR
dc.publisher.programCiência da Computaçãopt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
Aparece nas coleções:PG - Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
deteccaomateriaisraioxaeroportos.pdf1,62 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons