Repositório UNIFEI UNIFEI - Campus 1: Itajubá PPG - Programas de Pós Graduação Dissertações
Use este identificador para citar ou linkar para este item: https://repositorio.unifei.edu.br/jspui/handle/123456789/4497
Tipo: Dissertação
Título: Monitoramento de gôndolas de supermercados: reconhecimento e contagem de produtos - estudo comparativo entre algoritmos clássicos de aprendizagem de máquina e redes neurais convolucionais
Autor(es): CAVALCA, Mariele Sarmento
Primeiro Orientador: MELLO, Carlos Henrique Pereira
metadata.dc.contributor.advisor-co1: FRANCISCO, Matheus Brendon
metadata.dc.contributor.referee1: MELLO, Carlos Henrique Pereira
metadata.dc.contributor.referee2: FRANCISCO, Matheus Brendon
metadata.dc.contributor.referee3: PEREIRA, João Luiz Junho
metadata.dc.contributor.referee4: SZEJKA, Anderson Luis
Resumo: O setor supermercadista enfrenta desafios operacionais relacionados à gestão de gôndolas, especialmente no monitoramento da disponibilidade de produtos e na prevenção de rupturas. Nesse contexto, técnicas de Inteligência Artificial (IA) e visão computacional vêm sendo utilizadas para automatizar processos de reconhecimento e contagem de produtos em ambientes de varejo. Entretanto, embora as abordagens baseadas em Deep Learning (DL) apresentem elevado desempenho em tarefas de detecção de objetos, sua aplicação demanda maior capacidade computacional e grande volume de dados rotulados, o que pode limitar sua utilização em supermercados de pequeno e médio porte. Diante desse cenário, este estudo tem como objetivo desenvolver um software de reconhecimento e contagem de produtos em gôndolas de supermercados, aplicando técnicas de Machine Learning (ML) e Deep Learning (DL) e avaliando o desempenho e as limitações de cada abordagem frente ao problema proposto. Cabe destacar que as duas abordagens foram aplicadas ao mesmo problema, porém operam de formas distintas: o ML clássico atua na classificação dos produtos, enquanto o YOLOv11s realiza detecção, localização e contagem de forma integrada. A pesquisa foi estruturada com base na metodologia CRISP-DM, contemplando as etapas de compreensão do negócio, entendimento dos dados, preparação, modelagem e avaliação. Para o desenvolvimento do estudo, foram coletadas imagens em ambiente simulado de supermercado, organizadas em datasets rotulados para treinamento e validação dos modelos. Na abordagem de ML foram utilizados descritores clássicos de imagem, como HOG, HSV e ORB, combinados com algoritmos supervisionados, incluindo Regressão Logística, KNN, SVM Linear, SVM com kernel RBF, Random Forest e Extra Trees. O modelo de ML baseado na combinação HSV+HOG+ORB com Random Forest alcançou acurácia e F1-score de 97,50% na classificação de recortes individuais de produtos. Entretanto, ao ser aplicado à tarefa real de detecção e contagem em imagens completas de gôndolas, o sistema não apresentou desempenho satisfatório, registrando contagens inconsistentes e viés de contagem expressivo em cenas densas. Já na abordagem de DL foi empregada a arquitetura YOLOv11s com Transfer Learning, treinada sobre 3.042 imagens, obtendo mAP@50 de 86,40%, Precision de 87,90%, Recall de 76,20% e F1-score de 81,60%, demonstrando desempenho consistente na detecção, localização e contagem de produtos em imagens reais de gôndolas. Os resultados demonstram que, embora o ML clássico tenha apresentado excelente desempenho como classificador em cenários controlados, a dependência da segmentação por cor HSV tornou a abordagem insuficiente para o problema real de localização e contagem de produtos em ambientes complexos. Em contrapartida, o YOLOv11s apresentou desempenho mais adequado para aplicações reais de monitoramento automatizado de gôndolas. O estudo demonstra a viabilidade da visão computacional aplicada ao varejo supermercadista brasileiro e aponta o Deep Learning como abordagem mais adequada para tarefas de reconhecimento e contagem automática de produtos em cenários reais.
Abstract: The supermarket sector faces operational challenges related to shelf management, particularly regarding product availability monitoring and out-of-stock prevention. In this context, Artificial Intelligence (AI) and computer vision techniques have increasingly been applied to automate product recognition and counting processes in retail environments. However, although Deep Learning (DL) approaches achieve high performance in object detection tasks, their application requires greater computational capacity and large volumes of labeled data, which may limit their adoption in small and medium-sized supermarkets. Given this scenario, this study aims to develop software for product recognition and count on supermarket shelves, applying Machine Learning (ML) and Deep Learning (DL) techniques and evaluating the performance and limitations of each approach. It is worth highlighting that both approaches were applied to the same problem but operate differently: classical ML performs product classification, while YOLO11 carries out detection, localization, and counting in an integrated manner. The research was structured according to the CRISP-DM methodology, covering the stages of business understanding, data understanding, preparation, modeling, and evaluation. For the development of the study, images were collected in a simulated supermarket environment and organized into labeled datasets for model training and validation. In the ML approach, classical image descriptors such as HOG, HSV, and ORB were combined with supervised algorithms, including Logistic Regression, KNN, Linear SVM, SVM with RBF kernel, Random Forest, and Extra Trees. The ML model based on the HSV+HOG+ORB combination with Random Forest achieved 97.50% accuracy and F1-score in the classification of individual product crops. However, when applied to the real task of detection and counting in complete shelf images, the system did not achieve satisfactory performance, producing inconsistent counts and expressive overcounting bias in dense scenes. In the DL approach, the YOLOv11s architecture with Transfer Learning was trained on 3,042 images, achieving mAP@50 of 86.40%, Precision of 87.90%, Recall of 76.20%, and F1-score of 81.60%, demonstrating consistent performance in product detection, localization, and counting in real supermarket shelf images. The results demonstrate that, although classical ML achieved excellent performance as a classifier in controlled scenarios, the dependence on HSV color segmentation made the approach insufficient for the real problem of product localization and counting in complex environments. In contrast, YOLOv11s demonstrated more suitable performance for real automated shelf-monitoring applications. The study demonstrates the feasibility of computer vision applied to Brazilian supermarket retail and indicates Deep Learning as the most appropriate approach for automatic product recognition and counting tasks in real-world scenarios.
Palavras-chave: Gestão de gôndolas
Visão computacional
Machine learning
Deep learning
Reconhecimento de produtos
Contagem de produtos
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
Idioma: por
País: Brasil
Editor: Universidade Federal de Itajubá
Sigla da Instituição: UNIFEI
metadata.dc.publisher.department: IEPG - Instituto de Engenharia de Produção e Gestão
metadata.dc.publisher.program: Programa de Pós-Graduação: Mestrado - Engenharia de Produção
Citação: CAVALCA, Mariele Sarmento. Monitoramento de gôndolas de supermercados: reconhecimento e contagem de produtos - estudo comparativo entre algoritmos clássicos de aprendizagem de máquina e redes neurais convolucionais. 2026. 80 f. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2026.
Tipo de Acesso: Acesso Aberto
URI: https://repositorio.unifei.edu.br/jspui/handle/123456789/4497
Data do documento: 14-Ago-2026
Aparece nas coleções:Dissertações

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertação_2026127.pdf1,7 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.