Publication
Automatização de testes assistidos por visão com Deep Learning
| datacite.subject.fos | Engenharia e Tecnologia | pt_PT |
| dc.contributor.advisor | Vinhais, Carlos Alberto Afonso | |
| dc.contributor.author | Baltarejo, João Pedro Martins | |
| dc.date.accessioned | 2023-12-18T09:13:58Z | |
| dc.date.embargo | 2026-10-10 | |
| dc.date.issued | 2023-10-10 | |
| dc.description.abstract | The automotive domain has been, from its early days a domain that faces constant development with technology improvements from the several areas that compose a vehicle with a will to always enhance the driver conditions, both from comfort and security perspective. To be able to follow up with these developments, also the testing area grew to val idate all of the requirements that go along the vehicle build, specifically regarding the software components. From the starting manual tests to the current automated testing, all of these tests are implemented to ensure the real life conditions of driv ing a vehicle are guaranteed and where the information that comes from a vehicle Instrument Cluster (IC) display plays a major role. In this dissertation, a comprehensive proof of concept is presented with regards to how this vehicle display indicators and tell tales can be interpreted in an automated way, to assure that all the information that the driver sees, complies with what is actually happening on the vehicle. The first intent of the original project was to use computer vision to solve this issue, but the developed project works on a differ ent approach to identify these indicators on the display through the usage of Deep Learning (DL) algorithms. Having an early introduction section with a showcase of the objectives and plan of work, the dissertation is also composed of three major parts: (i) industry developed methods used for vehicle IC display indicators analysis, software testing and an overview of DL features and applications, (ii) context on the work previously done, work to be developed and object detection applied to DL and (iii) gathered results and tests made, as well as the developed application for final performance validation of the DL approach. The analysis is finalized by a general discussion about the best approach found as well as possible improvements to be done in the future given the difficulties and problems detected. | pt_PT |
| dc.description.abstract | O domínio automóvel tem sido, desde os seus primórdios, um domínio em constante desenvolvimento com melhorias tecnológicas nas várias áreas que compõem o veículo, sempre com o objetivo de melhorar as condições do condutor, tanto do ponto de vista do conforto como da segurança. Para poder acompanhar estes desenvolvimentos, a área de testes também cresceu para validar todos os requisitos que estão inerentes à construção do veículo, especificamente no que diz respeito à componente de software. Desde os testes manuais iniciais até aos atuais testes automatizados, todos estes testes são implementados para assegurar que as condições reais de condução de um veículo são garantidas e onde a informação proveniente do painel de instrumentos do veículo desempenha um papel fundamental. Nesta dissertação é apresentada uma prova de conceito abrangente sobre a forma como estes indicadores e avisos no ecrã do veículo podem ser interpretados de forma automatizada, para garantir que toda a informação que o condutor vê está de acordo com o que está realmente a acontecer no veículo. Apesar de a primeira intenção do projeto original era utilizar a visão computacional para resolver este problema, o projeto desenvolvido baseia-se numa abordagem diferente para identificar estes in dicadores no ecrã através da utilização de algoritmos de Deep Learning (DL). Tendo uma secção inicial com apresentação de objetivos e plano de trabalhos, a dissertação é também composta por três partes principais: (i) métodos desenvolvi dos pela indústria para análise dos indicadores no painel de instrumentos, testes de software e uma visão geral sobre as características e aplicações do DL, (ii) contexto do trabalho anteriormente implementado , o trabalho a desenvolver e a deteção de objetos com DL e (iii) resultados recolhidos e testes efetuados, bem como a aplicação desenvolvida para a validação final do desempenho da abordagem com DL. A análise é finalizada com uma discussão geral sobre a melhor abordagem encontrada bem como possíveis melhorias a efetuar no futuro dadas as dificuldades e problemas detectados. | pt_PT |
| dc.identifier.tid | 203413881 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.22/24229 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | automotive | pt_PT |
| dc.subject | Instrument Cluster (IC) | pt_PT |
| dc.subject | automated software testing | pt_PT |
| dc.subject | computer vision | pt_PT |
| dc.subject | Deep Learning (DL) | pt_PT |
| dc.subject | tell tales | pt_PT |
| dc.title | Automatização de testes assistidos por visão com Deep Learning | pt_PT |
| dc.title.alternative | Vision Assisted Testing Automation with Deep Learning | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | embargoedAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Engenharia Electrotécnica e de Computadores | pt_PT |