Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/29916
metadata.teses.dc.title: Sistema neural antifurto veicular
metadata.teses.dc.title.alternative: Neural system anti theft vehicle
metadata.teses.dc.creator: Ramos, Celso de Ávila
metadata.teses.dc.creator.Lattes: http://lattes.cnpq.br/9591319309101371
metadata.teses.dc.contributor.advisor1: Lacerda, Wilian Soares
metadata.teses.dc.contributor.referee1: Castro, Cristiano Leite de
metadata.teses.dc.contributor.referee2: Ferreira, Danton
metadata.teses.dc.subject: Redes neurais artificiais
Antifurto veicular
Classificação de condutores
Segurança veicular
Artificial neural networks
Vehicular anti-theft
Conductors classification
Vehicular safety
metadata.teses.dc.date.issued: 8-Aug-2018
metadata.teses.dc.identifier.citation: RAMOS, C. de A. Sistema neural antifurto veicular. 2016. 81 p. Dissertação (Mestrado em Ciência da Computação)-Universidade Federal de Lavras, Lavras, 2016.
metadata.teses.dc.description.resumo: Atualmente, a preocupação com a segurança de bens tem sido uma constante na população, principalmente em países onde os índices de furtos são elevados. Diante de um cenário preocupante, questões sobre como desenvolver tecnologias e soluções que consigam reduzir os índices de furtos devem ser abordadas, buscando aprimorar técnicas existentes e/ou elaborar novas. Este trabalho tem por objetivo, verificar a viabilidade do uso de redes neurais artificiais para a detecção de condução desautorizada de veículos e implementar um sistema automático em tempo real, baseado em uma rede neural artificial treinada para a classificação do condutor, mediante sua forma de conduzir o veículo, a partir de dados obtidos do próprio automóvel. Para tanto, foi utilizado o dispositivo OBD-II, comumente empregado para obter dados dos sensores do veículo. As variáveis de posição do acelerador, aceleração em x, aceleração em y e aceleração em z foram utilizadas como entradas de uma rede neural para a classificação do condutor como sendo autorizado ou não autorizado a conduzir o veículo. Foi desenvolvido um aplicativo Android que envia os dados obtidos do OBD-II para um Web Service Python. Este Web Service possui uma função de verificação que utiliza uma rede neural treinada para classificar o condutor e retornar uma resposta para o usuário. O treinamento utilizou algoritmo backpropagation, obtendo resultados satisfatórios durante os testes, com 88% de acertos da rede neural treinada. O índice de eficiência dos testes foi medido por meio do coeficiente Kappa, apresentando um resultado considerado excelente para este índice. O Sistema Neural Antifurto Veicular é uma ferramenta que pode auxiliar proprietários a monitorar a condução de seu automóvel. Espera-se, também, que o sistema possa auxiliar outras áreas de interesse como autoridades e empresas de seguro. O uso de Redes Neurais Artificiais para a classificação do condutor mostrou-se viável e eficaz para este fim. Também é importante ressaltar que o dispositivo OBD-II pode ser empregado para outras finalidades que vão além do diagnóstico dos componentes do veículo para sua correta manutenção. O sistema desenvolvido comprovou que é possível avaliar o comportamento do motorista por meio de dados fornecidos pelo próprio veículo que este conduz.
metadata.teses.dc.description.abstract: Currently, the concern for the safety of properties has constantly been among the population, especially in countries where the theft rates are high. Faced with a worrying scenario, issues about developing technologies and solutions that are able to reduce theft rates must be addressed, seeking to improve existing techniques and / or develop new ones. This study aims to verify the viability of using artificial neural networks for the detection of unauthorized driving of vehicles and implement an automated real-time system, based on an artificial neural network trained to classify the driver as to how they drive the vehicle, based on data obtained from the automobile itself. Therefore, we used the OBD-II device commonly used to obtain data from vehicle sensors. Variables like throttle position, acceleration in x, acceleration in y and acceleration in z were used as inputs to a neural network to classify the driver either as authorized or not authorized to drive the vehicle. An Android app that sends data from the OBD-II to a Web Service Python was developed. This Web Service has a scan function that uses a neural network trained to classify the driver and return an answer to the user. The training algorithm used was backpropagation, obtaining satisfactory results during the tests, with 88% of the trained neural network hits. The test of the efficiency ratio was measured by the Kappa coefficient, with a result as excellent for this index. The Neural Vehicle Anti-Theft System is a tool that can help owners monitor the driving of their car. It is hoped, too, that the system can help other areas of interest, as authorities and insurance companies. The use of Artificial Neural Networks to classify the driver was proved to be feasible and effective for this purpose. It is also important to note that the OBD-II device can be used for other purposes that go beyond the diagnosis of vehicle components for its proper maintenance. The developed system proved that it is possible to assess the behavior of the driver by means of data supplied by the vehicle they conduct.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/29916
metadata.teses.dc.publisher: Universidade Federal de Lavras
metadata.teses.dc.language: por
Appears in Collections:DCC - Ciência da Computação - Mestrado (Dissertações)

Files in This Item:
File Description SizeFormat 
DISSERTAÇÃO_Sistema neural antifurto veicular.pdf2,11 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.