ISSN 2594-5335
28º Seminário de Automação e TI — Vol. 28 , num. 28 (2026)
Título
Autoria
DOI
Downloads
Resumo
A segmentação por instância de pelotas verdes em ambientes industriais é um problema de alta densidade (≈260 pelotas por imagem, parcialmente ocluídas e com bordas pouco contrastadas) cuja viabilidade depende menos do modelo e mais da existência de um dataset rotulado representativo das condições reais de captura. A rotulação manual de máscaras é proibitiva, e o dataset precisa cobrir variabilidade de iluminação, sujidade e posicionamento de câmera. Este trabalho descreve uma metodologia de rotulação assistida em ferramenta web local que articula um modelo semente YOLO segment iterado em rodadas, refinamento e anotação interativa pelo SAM 2, filtros geométricos automáticos, propagação temporal e data augmentation. O ciclo é fechado: pseudo-máscaras curadas realimentam o treinamento e o modelo melhorado passa a ser o seed seguinte. A metodologia foi executada em duas rodadas: 387 imagens rotuladas manualmente (seed) e 5.844 imagens assistidas, usadas no treinamento final em duas GPUs Tesla T4 por 33 épocas. Avaliado em 816 imagens de teste com 211.800 instâncias, o modelo atingiu Box [email protected]=0,932, [email protected]:0.95=0,843, Mask [email protected]=0,932, [email protected]:0.95=0,624, com latência de 46,1 ms por imagem. A reconfiguração do NMS para alta densidade acomodou a densidade real, e a curva de validação por época justifica a paciência rigorosa adotada.
Instance segmentation of green pellets in industrial environments is a high-density problem (around 260 pellets per image, partially occluded, with low-contrast borders) whose feasibility depends less on the chosen model and more on a labeled dataset representative of real capture conditions. Manual polygon labeling is prohibitive, and the dataset must cover lighting, dirt and camera-positioning variability. This work describes an assisted labeling methodology in a local web tool that articulates an iteratively retrained YOLO segment seed model, automatic refinement and interactive annotation by SAM 2, geometric filters, temporal propagation, and data augmentation. The cycle is closed: curated pseudo-masks feed retraining and the improved model becomes the next-round seed. The methodology was executed in two rounds: 387 manually labeled images (seed) and 5,844 assisted images, used for final training on two Tesla T4 GPUs over 33 epochs. Evaluated on a held-out test set of 816 images with 211,800 instances, the final model reached Box [email protected]=0.932, [email protected]:0.95=0.843, Mask [email protected]=0.932, [email protected]:0.95=0.624, with inference latency of 46.1 ms per image. NMS reconfiguration for high density accommodated the real density, and the per-epoch validation curve justifies the strict patience adopted.
Palavras-chave
Rotulação assistida, Segmentação por instância, Pelotização, Aprendizado profundo
Assisted labeling, Instance segmentation, Pelletizing, Deep learning
Como citar
Tozato, Bruno Sepulchro; Neiva, Matheus Teixeira; Rezende, Renan Libardi; Mergh, Breno Dell Orto; Rodrigues, Lorrane Estefany Alves; Júnior, Rogério Julião de Oliveira.
Rotulação assistida por modelo com revisão humana para segmentação por instância de pelotas verdes em alta densidade,
p. 193-204.
In: 28º Seminário de Automação e TI,
São Paulo, SP - Brasil,
2026.
ISSN: 2594-5335, DOI 10.5151/2594-5335-43508
