Frost formation on refrigeration system evaporators degrades thermal performance and increases energy consumption. Conventional defrosting methods, typically timecontrolled, are inefficient and lead to unnecessary energy use. This thesis addresses this issue by developing and validating a cost-effective resistive sensor for demand-defrost applications. An iterative design-build-test methodology was employed to evaluate various sensor configurations, such as the air gap, ceramic medium, and fabric-medium designs. To provide an objective benchmark, a computer vision method was developed to quantify frost accumulation, complemented by an absolute humidity-based detector for validating defrost completion. The FMRS4 sensor demonstrated the most repeatable performance, consistently detecting both frost nucleation and defrost completion when sensor placement is adequate. Signal processing algorithms, including a Frost Nucleation Detector and a Defrost Completion Detector, were successfully developed and implemented. The study also highlights the importance of sensor placement, utilising frost formation maps derived from CV analysis to identify optimal sensor placement. Furthermore, strategies to mitigate electrochemical effects and compensate for temperature dependency were developed, and the feasibility of an energyautonomous sensor powered by a thermoelectric generator was demonstrated. The research culminates in a validated sensor technology that offers a practical pathway towards more intelligent and energy-efficient refrigeration systems.

Wild flowers and plants play an important role in protecting biodiversity and providing various ecosystem services. However, some of them are endangered or threatened and are entitled to preservation and protection. This study represents a first step to develop a computer vision system and a supporting mobile app for detecting and monitoring the development stages of wild flowers and plants, aiming to contribute to their preservation. It first introduces the related concepts. Then, surveys related work and categorizes existing solutions presenting their key features, strengths, and limitations. The most promising solutions and techniques are identified. Insights on open issues and research directions in the topic are also provided. This paper paves the way to a wider adoption of recent results in computer vision techniques in this field and for the proposal of a mobile application that uses YOLO convolutional neural networks to detect the stages of development of wild flowers and plants.

Submitted by Geyciane Santos (geyciane_thamires@hotmail.com) on 2015-06-18T15:17:30Z No. of bitstreams: 1 Disserta????o - Joacir Marques de Oliveira J??nior.pdf: 5665291 bytes, checksum: 5db2b29d425ab1c0844713edba8edb09 (MD5)

A visão computacional é uma área de grande relevância no ponto de vista tecnológico. Ela está relacionada com diversas áreas de grande importância, como medicina, vigilância, robótica, entre outras. Uma dessas áreas, que apresenta grandes desafios não só para a visão computacional, mas para outros ramos como inteligência artificial, engenharia e matemática, é o futebol de robôs. Este trabalho apresenta um estudo sobre visão computacional voltada para o futebol de robôs. Nesse trabalho são apresentadas técnicas de identificação dos robôs e da bola usando como base as técnicas de subtração de background. São mostrados todos os passos necessários para o rastreamento dos objetos no campo de jogo. Também são demonstrados os resultados obtidos, como identificação da posição dos objetos e suas respectivas velocidades. Todos os algoritmos utilizados são abordagens que consideram apenas a utilização de câmera fixa. Ao final do trabalho é apresentada uma breve discussão sobre os resultados obtidos e possíveis trabalhos futuros.

Interpretar uma cena, do ponto de vista computacional, geralmente se resume a interpretar e classificar seus elementos, percebendo como eles estão organizados pelo cenário. Essa ação é feita através do reconhecimento dos modelos apresentados como entrada por um sistema que faz a busca por modelos semelhantes em um banco de dados. Esse processo é chamado de recuperação de modelos, sendo que a correspondência e a indexação geralmente fazem parte desse processo. Embora a tecnologia tenha se desenvolvido, a interpretação robusta de cenas do ambiente ainda é um desafio para a computação em geral, dificultando áreas que utilizam da Visão Computacional, como por exemplo a Robótica. Levando em consideração a necessidade de novos algoritmos para a recuperação de formas, este trabalho objetiva aprofundar os estudos na área de Visão Computacional, propondo um novo algoritmo capaz de fazer a recuperação de formas tridimensionais em grandes bancos de dados. Embora os critérios de similaridade sejam importantes, a indexação das características para a busca de objetos semelhantes também tem a sua importância e impacta diretamente em velocidade e qualidade para o problema. Por este motivo, o foco deste trabalho é propor um novo método para a recuperação de modelos tridimensionais, utilizando a estrutura de dados chamada árvore de vocabulários, que apresenta resultados significativos na literatura para consultas por modelos bidimensionais. Neste trabalho, o método é apresentado de forma detalhada e é implementado através de um algoritmo. Os resultados obtidos por este algoritmo são apresentados e analisados utilizando bases de dados e métricas, os quais foram empregados em trabalhos anteriores. O método apresenta resultados promissores, porém com grande espaço para melhorias.

Visual Odometry is an important process in image based navigation of robots. The standard methods of this field rely on the good feature matching between frames where feature detection on images stands as a well adressed problem within Computer Vision. Such techniques are subject to illumination problems, noise and poor feature localization accuracy. Thus, 3D information on a scene may mitigate the uncertainty of the features on images. Deep Learning techniques show great results when dealing with common difficulties of VO such as low illumination conditions and bad feature selection. While Visual Odometry and Deep Learning have been connected previously, no techniques applying Siamese Convolutional Networks on depth infomation given by disparity maps have been acknowledged as far as this work’s researches went. This work aims to fill this gap by applying Deep Learning to estimate egomotion through disparity maps on an Siamese architeture. The SiameseVO-Depth architeture is compared to state of the art techniques on OV by using the KITTI Vision Benchmark Suite. The results reveal that the chosen methodology succeeded on the estimation of Visual Odometry although it doesn’t outperform the state-of-the-art techniques. This work presents fewer steps in relation to standard VO techniques for it consists of an end-to-end solution and demonstrates a new approach of Deep Learning applied to Visual Odometry.