Detecção automática da região de identificação de vagões utilizando visão computacional

Abstract

Este trabalho foca em desenvolver uma ferramenta para encontrar a região de interesse em uma imagem de um vagão que compõem um trem da VALE no trecho da estrada de ferro vitória a minas (EFVM) com o intuito de facilitar trabalhos futuros em leitura de códigos em vagões. Essa região é a nomenclatura do vagão que é utilizada para fins de conferência dos mais de 230.000 vagões alocados em trens mensalmente e com todo esse volume se torna difícil e suscetível a erros fazer esse acompanhamento de forma manual. Para solucionar esses riscos é necessário haver um sistema de conferência automática desses vagões. Através da visão computacional pode-se captar imagens desses vagões, identificar de forma automática a região do código, reconhecer os caracteres e alimentar o sistema de gestão. Nesse trabalho foi desenvolvido com o objetivo de se comparar duas ferramentas para identificar a região do código do vagão, a primeira foi feita utilizando algoritmos tradicionais de visão computacional, isto é, processamento digital de imagens (PDI), enquanto a segunda se utilizou do método de detecção YOLOv5. O primeiro método enfrenta desafios ao lidar com alterações na imagem, o que demanda ajustes frequentes no algoritmo para garantir detecções precisas diante dessas mudanças. Por outro lado, o segundo método consegue superar esses obstáculos, proporcionando resultados otimizados independentemente das variações na imagem, como mudanças na iluminação, tamanho do objeto e seu estado de conservação.

This work seeks to develop a tool to find the region of interest in an image of a railroad car that makes up a VALE train on the stretch of the Vitória-Minas Railroad (EFVM) with the aim of facilitating future work on reading railroad car codes. This region is the nomenclature of the railroad car that is used for the purposes of checking the more than 230,000 railroad cars allocated to trains monthly and with all this volume, it becomes difficult and susceptible to errors to manually follow up. To solve these risks, it is necessary to have an automatic conference system for these railroad cars. Through computer vision it is possible to capture images of these railroad cars, automatically identify the code region, recognize the characters, and feed the management system. In this work, with the objective of comparing, two tools were developed to identify the region of the railroad car code, the first was made using traditional computer vision algorithms that Is digital image processing (PDI), while the second used the YOLOv5 detection method. The first method faces challenges when dealing with changes in the image, which requires frequent adjustments to the algorithm to ensure accurate detections in the face of these changes. On the other hand, the second method manages to overcome these obstacles, providing optimized results regardless of variations in the image, such as changes in lighting, size of the object and its state of conservation.