Desenvolvimento de uma solução para controle automático da iluminação urbana

Abstract

Com este trabalho desenvolve-se uma solução que identifica a presença humana para o controle automático da iluminação urbana. O controle visa otimizar o consumo de energia elétrica baseado na percepção da presença próxima da iluminação, que é reconhecida com um sensor que utiliza visão computacional para detecção objetos. A solução proposta consiste em um sistema embarcado Jetson Nano, especializado para aplicações com inteligência artificial, em que um fluxo de vídeo é processado em tempo real pela rede neural convolucional SSD_Inception_V2. O modelo treinado é convertido para a execução com o programa Deepstream, que descreve o fluxo de processamento da aplicação. Para testar o conceito da solução, é desenvolvido um protótipo que realiza a detecção de carros em miniatura e aciona lâmpadas baseado na posição relativa do objeto. O desempenho da execução da aplicação também é avaliada, considerando o tempo de processamento total de cada imagem. Por fim, a detecção é testada com condições próximas da realidade, em um estudo de caso com gravações de uma via local. A rede neural tem um tempo de execução de aproximadamente 85 ms na arquitetura do Jetson Nano, que utilizou praticamente 100% de sua capacidade de computação. No estudo de caso, o modelo obteve um recall de 83,8%, em que na maioria dos casos os objetos de interesse foram detectados corretamente.This work presents a solution that identifies the human presence for the automatic control of urban lighting . The control aims to optimize the power consumption based on the perception of human presence near of the illumination, which is recognized with a computer vision based sensor for object detection. The proposed solution consists of a embedded system Jetson Nano, specialized for artificial intelligence applications, in which a video stream is processed in real time by the SSD_Inception_V2 convolutional neural network. The trained model is converted to execute with the Deepstream program, which describes the application processing pipeline. To test the concept of the solution, it is developed a prototype that detects miniature cars and activates lamps based on the relative position of the object. Application execution performance is also evaluated considering the total processing time of each image. Finally, detection is tested under near-reality conditions in a case study of a local with video recordings from a local road. The neural network has a runtime of approximately 85 ms on the Jetson Nano architecture, which has used almost 100% of its computing power. In the case study, the model obtained a recall of 83.8%, in which most cases the objects of interest were detected correctly.