Aprendizado profundo e visão computacional aplicados em sistemas de contagem volumétrica classificada e direcional de veículos

Abstract

A mobilidade urbana no Brasil enfrenta desafios significativos relacionados ao congestionamento viário, especialmente em cidades com mais de 250 mil habitantes, onde 36% da população gasta mais de uma hora por dia no trânsito. No âmbito da análise de tráfego, a contagem volumétrica classificada (CVC) desempenha um papel fundamental, quantificando o volume de veículos por classe e por direção de movimento. Atualmente, esse processo tem sido realizado manualmente por operadores humanos, apresentando limitações de precisão e escalabilidade. Com o objetivo de mitigar essas limitações, o Instituto Federal de Santa Catarina, Câmpus Itajaí (IFSC-ITJ), estabeleceu parceria com a empresa Consultran Engenharia para desenvolver uma solução automatizada capaz de substituir a contagem manual em vídeos de 24 horas. Nesse contexto, este trabalho investiga técnicas de visão computacional e aprendizado profundo, estruturando a metodologia em três módulos principais: detecção, rastreamento e contagem. Na etapa de detecção, utiliza-se uma rede neural convolucional customizada (YOLOv8m), treinada com 2 744 imagens extraídas de filmagens urbanas fornecidas pela Consultran Engenharia. O rastreamento é realizado por meio do algoritmo ByteTrack, selecionado por seu desempenho amplamente reconhecido na associação de identidades ao longo do tempo. No módulo de contagem, este trabalho propõe dois métodos complementares: a contagem por região, voltada a fluxos unidirecionais, e a contagem por movimento, capaz de identificar a origem e o destino de veículos em interseções. Os sistemas são avaliados em dois cenários urbanos distintos ao longo de um período contínuo de 24 horas, tomando como referência contagens manuais. Resultados de simulações numéricas serão apresentados com foco em diferentes métricas de desempenho, confirmando a eficácia das estratégias empregadas. De modo geral, espera-se demonstrar a viabilidade técnica da solução proposta como alternativa para automatizar parcial ou totalmente o processo de CVC, contribuindo para a modernização dos estudos de tráfego e para a implementação de soluções mais eficientes na mobilidade urbana.Urban mobility in Brazil faces significant challenges related to traffic congestion, especially in cities with more than 250 thousand inhabitants, where 36% of the population spends more than one hour per day in traffic. In traffic analysis, classified volumetric counting (CVC) plays a fundamental role, quantifying the volume of vehicles by class and direction of movement. Currently, this process has been performed manually by human operators, which presents limitations in precision and scalability. Aiming to mitigate these limitations, the Federal Institute of Santa Catarina, Itajaí Campus (IFSC-ITJ), established a partnership with the company Consultran Engenharia to develop an automated solution capable of replacing manual counting in 24-hour videos. This work investigates computer vision and deep learning techniques, structuring the methodology in three main modules: detection, tracking and counting. For the detection stage, a custom convolutional neural network (YOLOv8m) was trained with 2 744 images extracted from urban footage provided by Consultran Engenharia. The tracking is performed by applying the ByteTrack algorithm, selected for its widely recognized performance in associating identities over time. In the counting module, this work proposes two complementary methods: region-based counting, aimed at unidirectional flows, and movement-based counting, capable of identifying the origin and destination of vehicles at intersections. The systems are evaluated in two distinct urban scenarios over a continuous 24-hour period, taking manual counts as reference. Results will be presented with focus on different performance metrics, confirming the effectiveness of the strategies employed. Overall, it is expected to demonstrate the technical feasibility of the proposed solution as an alternative to partially or fully automate the CVC process, contributing to the modernization of traffic studies and to the implementation of more efficient solutions in urban mobility.