No Brasil, o problema de acidentes rodoviários envolvendo animais é recorrente, tendo um grande número de incidentes em todas as regiões e biomas. Este problema afeta negativamente a vida de espécies silvestres em áreas florestais próximas às pistas e com a falta de medidas de proteção e monitoramento ou alternativas de passagem segura para os animais, esse problema se intensifica com os animais realizando o cruzamento das vias, gerando risco a suas vidas e a dos condutores. Com a falta de medidas de proteção ambiental nas estradas, organizações voluntárias e científicas brasileiras criaram alguns sistemas para entender o fenômeno dos acidentes com os animais, porém tais sistemas não são ágeis e nem automáticos, pois não implementam soluções computacionais para o monitoramento inteligente. Este trabalho apresenta uma proposta de elaboração de mecanismos de detecção de animais silvestres com risco de extinção que estão mais envolvidos em acidentes rodoviários no Brasil. Tais mecanismos são especializados para rodovias inteligentes com uso de visão computacional e computação de borda. Assim, a proposta possui etapas fundamentais como a aquisição e criação de um conjunto de imagens especializado para o tema, juntamente com aplicação de técnicas de aumento de dados, treinamento de modelos de detecção de objetos baseados em arquitetura YOLO (YoloV4, Scaled-YoloV4, YoloV5, YoloR, YoloX e YoloV7), testes e validação em dados de imagem e vídeo. Ainda dentro do contexto da proposta, foi realizada uma avaliação de desempenho em ambiente de borda com um recurso computacional limitado. Em conjunto, também é feita uma análise qualitativa sobre os modelos em desafios clássicos de visão computacional. Como conclusão, a execução em tempo-real dos modelos aplicados a dispositivos de computação de borda com baixo poder computacional ainda é um desafio, visto que os modelos mais complexos e robustos em detecção tiveram dificuldades de serem executados, obtendo baixas velocidades de inferência e alto consumo de memória, inviabilizando suas implementações. Já os modelos em suas versões menos complexas e não tão acuradas, permitiram a execução dos experimentos em tempo real. Nenhum modelo utilizado teve desempenho adequado que fosse capaz de superar as problemáticas de detecção dos cenários propostos, demonstrando que tais problemas ainda são desafiadores para as arquiteturas tradicionais do YOLO em geral.

In Brazil, the problem of road accidents involving animals is recurrent, with a large number of incidents in all regions and biomes. This problem negatively affects the lives of wild species in forest areas close to the roadways and with the lack of protection and monitoring measures or safe passage alternatives for animals, this problem intensifies with animals crossing the roadways, risking their lives and those of the drivers. With the lack of environmental protection measures on the roads, Brazilian voluntary and scientific organizations have created some systems to understand the phenomenon of animal accidents, but these systems are neither agile nor automatic, as they do not implement computer solutions for intelligent monitoring. This dissertation presents a proposal to develop mechanisms for detecting wild animals at risk of extinction that are most often involved in road accidents in Brazil. These mechanisms are specialized for intelligent highways using computer vision and edge computing. Thus, the proposal has fundamental stages such as the acquisition and creation of a specialized image dataset for the topic, along with the application of data augmentation techniques, training of object detection models based on YOLO architecture (YoloV4, Scaled-YoloV4, YoloV5, YoloR, YoloX, and YoloV7), testing and validation on image and video data. Also within the context of the proposal, a performance evaluation was carried out in an edge environment with limited computational resources. A qualitative analysis of the models in classic computer vision challenges is also carried out. In conclusion, the real-time execution of the models applied to edge computing devices with low computing power is still a challenge, since the most complex and robust models in detection had difficulties being executed, obtaining low inference speeds and high memory consumption, making their implementations unfeasible. None of the models used had adequate performance to overcome the problems of detecting the proposed scenarios, demonstrating that these problems are still challenging for traditional YOLO architectures in general.