Dissertação de Mestrado de Luiz Guilherme Martinho Sampaio Ito

Defesa de Dissertação de Mestrado Acadêmico

Aluno(a): Luiz Guilherme Martinho Sampaio Ito
Orientador(a): Jose Rodrigo Furlanetto de Azambuja

Título: Monitoramento de Segurança em Canteiros de Obra utilizando Inferência Multiestágio em Inteligência Artificial na Borda
Linha de Pesquisa: Sistemas Embarcados

Data: 05/03/2026
Hora: 13:30
Local: Esta banca ocorrerá de forma presencial na sala 215 (Polycom) (43412) do Instituto de Informática/UFRGS.

Banca Examinadora:
-Antonio Carlos Schneider Beck (UFRGS)
-Cláudio Machado Diniz (UFRGS)
-Guilherme Paim (ULisboa)

Presidente da Banca: Jose Rodrigo Furlanetto de Azambuja

Resumo: A indústria da construção civil apresenta índices elevados de acidentes de trabalho, o que evidencia as limitações dos métodos tradicionais de monitoramento. A visão computacional, impulsionada por técnicas de inteligência artificial, apresenta potencial para automatizar a vigilância de segurança. Contudo, soluções baseadas em processamento na nuvem enfrentam desafios de latência e dependência de conectividade. Esta dissertação apresenta o projeto e a validação de um sistema de análise de vídeo inteligente baseado em computação de borda. O sistema utiliza uma arquitetura de inferência em cascata composta por um modelo primário, denominado PGIE (Primary GPU Inference Engine), que detecta cinco classes (pessoa, veículo, capacete, colete e ferramenta) e três modelos secundários especializados, denominados SGIEs (Secondary GPU Inference Engines), que operam sobre as regiões recortadas: SGIE-EPI para equipame ntos de proteção individual, SGIE-Maquinário para identificação de máquinas pesadas e SGIE-Ferramentas para detecção de ferramentas e materiais. O sistema opera em um dispositivo NVIDIA Jetson AGX Xavier e processa fluxos de vídeo em tempo real. A metodologia emprega o framework NVIDIA DeepStream para orquestrar o pipeline de inferência acelerado por hardware. Os modelos foram treinados com datasets públicos (SODA, MOCS, Roboflow) e otimizados com TensorRT. Como resultado, o sistema alcançou vazão de 20 quadros por segundo (FPS – Frames Per Second) com latência de 58 milissegundos no pipeline completo. O PGIE obteve mAP@0,5 (mean Average Precision) de 0,83, enquanto os SGIEs alcançaram mAP@0,5 entre 0,71 e 0,84. Esta dissertação demonstra a viabilidade técnica de um sistema de monitoramento autônomo com inferência em cascata na borda.

Palavras-Chave: Visão Computacional. Inteligência Artificial de Borda. Inferência em Cascata. Segurança na Construção Civil. NVIDIA DeepStream