Banca de QUALIFICAÇÃO: MARIELE SARMENTO CAVALCA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : MARIELE SARMENTO CAVALCA
DATA : 18/11/2025
HORA: 09:00
LOCAL: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fl%2Fmeetup-join%2F19%3Ameeting_Y
TÍTULO:

Monitoramento de Gôndolas de Supermercados: Reconhecimento e Contagem de Produtos - Estudo comparativo entre Aprendizagem de Máquina e Redes Neurais Convolucionais

PALAVRAS-CHAVES:

Gestão de gôndolas; Ruptura de estoque; Machine Learning; Deep Learning; Redes neurais convolucionais.

PÁGINAS: 86
RESUMO:

O setor supermercadista brasileiro é um dos pilares da economia nacional, caracterizando-se pela alta competitividade e relevância estratégica na cadeia de consumo. Entre os principais desafios enfrentados, destaca-se a ruptura de gôndolas, definida como a ausência de produtos no ponto de venda no momento da compra, situação que compromete vendas, fidelização e percepção de valor por parte do consumidor. Os métodos tradicionais de monitoramento, como auditorias presenciais, planilhas ou análise de dados transacionais, apresentam limitações relacionadas à baixa precisão, ao alto custo e à ausência de atualização em tempo real. Nesse contexto, as tecnologias de Inteligência Artificial (IA), com destaque para técnicas de visão computacional, surgem como alternativas promissoras para apoiar a gestão de gôndolas por meio da automação do reconhecimento e da contagem de produtos. O presente trabalho tem como objetivo propor e comparar um protótipo de software de baixo custo para reconhecimento e contagem de itens em prateleiras de supermercados, utilizando técnicas de Machine Learning (ML) e Deep Learning (DL), com ênfase em redes neurais convolucionais (CNNs). A pesquisa foi estruturada com base no modelo CRISP-DM, contemplando as etapas de compreensão do negócio, entendimento dos dados, preparação, modelagem, avaliação e implantação. Para tanto, foram coletadas imagens de produtos em ambiente simulado, organizadas em bases rotuladas para treinamento e validação. Serão testados algoritmos clássicos de ML, como Random Forest, XGBoost e LightGBM, em conjunto com descritores de imagem (HOG, HSV, ORB, OCR), e comparados a arquiteturas modernas de DL, como YOLO e RetinaNet. Espera-se que o estudo contribua para demonstrar a viabilidade de soluções acessíveis de monitoramento de gôndolas, avaliando o equilíbrio entre desempenho técnico e custo computacional. Pretende-se, assim, avaliar a eficácia de algoritmos de Machine Learning em comparação com técnicas de Deep Learning, verificando em que medida soluções menos complexas podem atender de forma eficiente ao reconhecimento e contagem de produtos em gôndolas de supermercados.

MEMBROS DA BANCA:
Interno - 1311349 - ALEXANDRE FERREIRA DE PINHO
Interno - 1519061 - CARLOS HENRIQUE PEREIRA MELLO
Interno - 3291994 - MATHEUS BRENDON FRANCISCO
Externo ao Programa - 3469404 - JOAO LUIZ JUNHO PEREIRA - UNIFEI