@inproceedings{Silva2025ClassificacaoGarimpo,

title = {Classifica\c{c}\~{a}o de \'{a}reas de garimpo ilegal na Amaz\^{o}nia com algoritmos de vis\~{a}o computacional},

author = {Daniel Martins Monteiro Silva and Dimas Irion Alves and Sarah Negreiros de Carvalho Leite},

url = {https://www.sige.ita.br/edicoes-anteriores/2025/TRABALHOS/Artigos-com-ISSN/Classifica\c{c}\~{a}o de \'{a}reas de garimpo ilegal na Amaz\^{o}nia com algoritmos de vis\~{a}o computacional.pdf},

issn = {1983-7402},

year  = {2025},

date = {2025-01-01},

booktitle = {Anais do Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa (SIGE)},

pages = {182\textendash186},

address = {S\~{a}o Jos\'{e} dos Campos, Brasil},

organization = {Instituto Tecnol\'{o}gico de Aeron\'{a}utica},

abstract = {A atividade de garimpo ilegal na Amaz\^{o}nia tem crescido exponencialmente nos \'{u}ltimos anos, aumentando proporcionalmente o n\'{u}mero de \'{a}reas e a quantidade de dados que os \'{o}rg\~{a}os de controle ambiental precisam analisar. Aliado a esses fatos, o monitoramento satelital sofre com longos intervalos de revisita e condi\c{c}\~{o}es meteorol\'{o}gicas desfavor\'{a}veis, como a cobertura de nuvens persistente sobre a floresta. Para mitigar essas limita\c{c}\~{o}es, o emprego de ve\'{i}culos a\'{e}reos, como drones e aeronaves, equipados com sensores \'{o}pticos permite a aquisi\c{c}\~{a}o de imagens de alta resolu\c{c}\~{a}o. Diante do grande volume de dados, algoritmos de vis\~{a}o computacional despontam como instrumentos eficientes para classificar automaticamente essas \'{a}reas. Este estudo implementa e compara dois modelos de diferentes complexidades computacionais \textendash MobileNetV2 e EfficientNetV2-S \textendash na classifica\c{c}\~{a}o de cenas a\'{e}reas da Amaz\^{o}nia. Os resultados indicam que a MobileNetV2 apresentou o melhor desempenho com acur\'{a}cia de cerca de 98% na identifica\c{c}\~{a}o de imagens com garimpo versus sem garimpo.},

keywords = {Amaz\^{o}nia, Deep Learning, garimpo, Vis\~{a}o Computacional},

pubstate = {published},

tppubtype = {inproceedings}

}

@inproceedings{Tonaco2025InfraestruturaSistema,

title = {Infraestrutura para sistema de Apoio \`{a} Decis\~{a}o em Hangares de Manuten\c{c}\~{a}o com Vis\~{a}o Computacional},

author = {Rafaella Carmo dos Santos Tonaco and Henrique Costa Marques},

url = {https://www.sige.ita.br/edicoes-anteriores/2025/TRABALHOS/Artigos-com-ISSN/Infraestrutura para sistema de Apoio \`{a} Decis\~{a}o em Hangares de Manuten\c{c}\~{a}o com Vis\~{a}o Computacional.pdf},

issn = {1983-7402},

year  = {2025},

date = {2025-01-01},

booktitle = {Anais do Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa (SIGE)},

pages = {325\textendash330},

address = {S\~{a}o Jos\'{e} dos Campos, Brasil},

organization = {Instituto Tecnol\'{o}gico de Aeron\'{a}utica},

abstract = {Este trabalho prop\~{o}e uma arquitetura computacional para apoio \`{a} decis\~{a}o em hangares de manuten\c{c}\~{a}o aeron\'{a}utica, integrando vis\~{a}o computacional como uma infraestrutura para identifica\c{c}\~{a}o de tarefas cr\'{i}ticas e emiss\~{a}o de alertas. Foi desenvolvida uma simula\c{c}\~{a}o de hangar tridimensional no Unity, com agentes animados e c\^{a}meras virtuais, empregando a arquitetura YOLOv8 com OpenCV para detec\c{c}\~{a}o de objetos e atividades. A partir dos dados visuais, o sistema realiza infer\^{e}ncia contextual de risco, permitindo maior consci\^{e}ncia situacional e preven\c{c}\~{a}o de falhas operacionais. Os testes com modelos personalizados atingiram precis\~{a}o m\'{e}dia de 92,8% e mostraram viabilidade da aplica\c{c}\~{a}o em tempo quase real. O painel gerencial desenvolvido exibe indicador de alerta, sinalizando situa\c{c}\~{o}es cr\'{i}ticas pr\'{e}-determinadas, confirmando a viabilidade de execu\c{c}\~{a}o de tal sistema.},

keywords = {manuten\c{c}\~{a}o aeron\'{a}utica, tomada de decis\~{a}o, Vis\~{a}o Computacional},

pubstate = {published},

tppubtype = {inproceedings}

}