Análise de Transferência de Aprendizado e Data Augmentation para Visão Computacional no Futebol de Robôs usando Aprendizado Profundo

O futebol de robôs é um campo promissor para avanços em computação e robótica, especialmente em visão computacional com Redes Neurais Convolucionais (CNN). Novos modelos nessa área podem otimizar a inteligência e autonomia de sistemas de aprendizado de máquina. Este estudo desenvolveu bases de dados para criar modelos de Classificação de Imagens e Detecção de Objetos em futebol de robôs humanoides, analisando o impacto do Transfer Learning (TL) e Data Augmentation (DA). Utilizando a plataforma Edge Impulse, experimentos com 5 classes de imagens foram realizados para Classificação de Imagens, enquanto 4 bases de dados com diferentes tamanhos de imagens foram usadas para Detecção de Objetos. Os resultados mostraram que TL aumentou a acurácia dos modelos de Classificação entre 11,25% e 38%, e a combinação com DA resultou em variações de até 3,5% na acurácia comparado a quando foi aplicado apenas TL. Na Detecção de Objetos, o aumento do número de imagens melhorou a acurácia em 33% e o Recall em 37%. Estes achados destacam a importância dessas técnicas para o aprendizado e interação de agentes robóticos em ambientes complexos. Futuros estudos podem focar no ajuste de hiperparâmetros e em novas arquiteturas para otimizar esses modelos.