Redes neurais na detecção de objetos perigosos em bagagens de aeroportos

Abstract

Este trabalho propõe a aplicação de redes neurais convolucionais, especificamente a arquitetura YOLOv5, para a detecção de objetos perigosos em imagens de raio-X de bagagens em aeroportos. Considerando o crescimento do transporte aéreo e a necessidade de segurança aprimorada, a automatização da análise de imagens surge como uma alternativa eficaz para superar as limitações humanas, como fadiga e atenção reduzida. A pesquisa envolveu o desenvolvimento, treinamento e avaliação de modelos em diferentes configurações de datasets e experimentos, incluindo classes específicas de objetos, como armas, facas, lâminas e shurikens. Os resultados demonstraram alta precisão e recall para certas classes, como armas e shurikens, com taxas de detecção superiores a 90%. No entanto, identificou-se dificuldade na identificação de facas e lâminas, devido a sobreposições e características visuais desafiadoras. O estudo reforça a importância de datasets robustos e balanceados para otimizar o desempenho dos modelos. Conclui-se que a inteligência artificial pode ser uma ferramenta viável e promissora para aumentar a segurança aeroportuária, reduzindo riscos associados a falhas humanas e melhorando a eficiência dos processos de inspeção.