Neste trabalho foi desenvolvido um sistema de navegação semiautônomode um drone para umaindústria de caixas de papelãocom a finalidade deauxiliar na contagem do estoque de bobinas de papelão. A metodologia desenvolvida possui quatro etapas principais, sendo a decodificação de QR Code, detecção de marcadores ópticos, sistema de navegação e movimentação do drone. Para a etapa de decodificação de QR Code foi utilizada a biblioteca pyzbar. Na etapa de detecção do marcador óptico foi utilizada a biblioteca YOLOv4 Tiny, que faz o uso de técnicas de aprendizagem de máquina para detectar objetos em tempo real. A YOLOv4 Tiny foi treinada utilizando um datasetpersonalizado com imagens dos marcadores ópticos e etiquetas em um ambiente de simulação fechado, obtendouma taxa de acerto de 92,10%. A etapa do sistema de navegação é alimentada pela resposta da rede neural, na qual cada marcador tem uma função associada a ele. A última etapa depende do sistema de navegação, uma vez que este envia qual será o comando em que o drone deve seguir e a movimentação envia este comando ao drone.
In this work we developed a semi-autonomousdrone navigation system for a cardboard box industry, to assist in counting the stock of cardboard reels. The developed methodology has four main steps, being the QR Code decoding, optical marker detection, navigation system and drone movement. For the QRCode decoding step, the pyzbar library was used. In the optical marker detection step, the YOLOv4 Tiny library was used, which uses machine learning techniques to detect objects in real time. YOLOv4 Tiny was trained using a custom dataset with images of optical markers and labels in a closed simulation environment, achieving a hit rate of 92.10%. The navigation system step is fed by the response of the neural network, in which each marker has a function associated with it. The last step depends on the navigation system, since it sends which command the drone must follow and the movement sends this command to the drone.
