TCC - Engenharia Eletrônica (UACSA)
URI permanente para esta coleçãohttps://arandu.ufrpe.br/handle/123456789/2917
Navegar
2 resultados
Resultados da Pesquisa
Item Sistema de classificação e compressão para nuvens de pontos geradas por sensores LIDAR(2025-12-19) Melo, Davi de Almeida; Ferreira, Felipe Alberto Barbosa Simão; http://lattes.cnpq.br/993925511314378; http://lattes.cnpq.br/3528552393951602As mídias imersivas buscam representar a realidade em modelos 3D digitais. Por sua vez, as nuvens de pontos (Point Clouds – PC) são parte desse conjunto capaz de digitalizar estruturas, objetos e regiões. Uma PC é composta pelo conjunto de pontos que descreve a cena ou objeto e cada ponto possui uma coordenada no plano cartesiano (x,y,z) além de algumas informações adicionais como reflectância, iluminância ou camadas de cores. Essa mídia é utilizada em sistemas da atualidade nas mais diversas áreas. Algumas delas são: direção autônoma, realidade aumentada, robótica, arquitetura, vendas, planejamento, gerenciamento, saúde e educação. Entretanto, nuvens possuem na maior parte dos cenários um alto volume de dados, o que dificulta a sua utilização. Esse volume impacta as etapas de processamento, armazenamento e transmissão das nuvens de pontos. Além disso, outro problema enfrentado ao lidar com nuvens de pontos é o formato não linear. Ele interfere principalmente nas técnicas de aprendizado profundo que buscam extrair informações da nuvem, como por exemplo modelos de segmentação semântica e classificação de objetos. Nesse contexto, o presente estudo tem como objetivo desenvolver e analisar um sistema de compressão e classificação de nuvens de pontos geradas por sensores LIDAR. A quantização vetorial é o método de compressão adotado para o sistema. Já o modelo de classificação de objetos foi customizado a partir de camadas de convolução baseadas no modelo PointNet++ e PPFNet. O algoritmo de quantização vetorial obtido é capaz de alcançar altas taxas de compressão enquanto mantém a qualidade das nuvens de pontos ao serem reconstruídas. Uma arquitetura central e sete diferentes modelos de classificação foram criados. Todos eles possuem acurácia acima de 84,23%. Ademais, os algoritmos de compressão e classificação podem ser executados em conjunto e em qualquer sequência de execução necessária. Por fim, o sistema foi avaliado de modo qualitativo perante diferentes cenários e quantitativamente em função da qualidade de reconstrução e acurácia dos modelos.Item Chatbots textuais no apoio administrativo para alunos universitários: comparação entre uso de palavras-chave e modelos de linguagem de grande escala(2025-08-01) Silva, Erick Gabriel de Lima; Pimentel, João Henrique Correia; http://lattes.cnpq.br/8257035194560179; https://lattes.cnpq.br/7816577990350764A burocracia nos processos administrativos das instituições de ensino superior representa um desafio para os estudantes, especialmente em contextos com comunicação pouco acessível e protocolos institucionais complexos. Nesse cenário, chatbots surgem como ferramentas promissoras para automatizar o atendimento e facilitar o acesso às informações acadêmicas. Este trabalho apresenta uma análise comparativa entre dois chatbots desenvolvidos para auxiliar alunos de uma unidade da Universidade Federal Rural de Pernambuco (UFRPE) em dúvidas relacionadas ao cotidiano universitário: um baseado em palavras-chave e outro fundamentado em um modelo de linguagem de grande escala (LLM, do inglês Large Language Models), com uso da técnica de Geração Aumentada por Recuperação (RAG, do inglês Retrieval-Augmented Generation). Após a implementação, foi realizado um experimento com 15 estudantes, os quais interagiram com ambos os sistemas e avaliaram aspectos como precisão, clareza e utilidade, além de indicarem qual chatbot prefeririam utilizar no dia a dia. As respostas foram tratadas estatisticamente por meio do teste não paramétrico de Wilcoxon, o qual revelou que, embora não tenha havido diferenças estatisticamente significativas entre os dois sistemas nos critérios avaliados, a maioria dos participantes (9) demonstraram preferência pelo chatbot com RAG, enquanto 3 escolheram o baseado em palavras-chave e 3 apontaram utilidade em ambos. Os resultados indicam que, apesar de desempenhos similares em métricas objetivas, as características subjetivas como: linguagem mais fluida, maior naturalidade das respostas e melhor compreensão de perguntas mal formuladas podem ter influenciado a escolha dos usuários para o chatbot baseado em inteligência artificial, ratificando o potencial do uso de RAG em assistentes virtuais voltados ao contexto educacional.