Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 712
Aluna: Daniela de Sousa Costa
Orientador: Prof. Carlos Alexandre Barros de Mello
Título: Visual Sketch Coding: Reconhecimento Automático de Fluxogramas Manuscritos com Aplicações em Reconhecimento de Autômatos e Geração de Código
Data: 27/08/2026
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Tsang Ing Ren (UFPE / Centro de Informática)
Prof. Alexandre Cabral Mota (UFPE / Centro de Informática)
Prof. Alceu de Souza Britto Júnior (PUC/PR / Programa de Pós Graduação Em Informática Aplicada)
Prof. Claudio Rosito Jung (UFRGS / Instituto de Informática)
Prof. Byron Leite Dantas Bezerra (UPE / Escola Politécnica de Pernambuco)
RESUMO:
Este trabalho apresenta um método híbrido para o reconhecimento off-line de fluxogramas manuscritos, com aplicação no reconhecimento de autômatos finitos e na conversão automática de esboços em código de programação. A abordagem proposta é composta por quatro módulos: detecção de símbolos, pós-processamento, reconhecimento de texto e reconhecimento de diagrama. Para a detecção inicial dos símbolos, é empregada a rede YOLOv7, cujos resultados são refinados por meio de uma etapa de pós-processamento baseada em Supressão Não-Máxima (SNM). Para a classe de setas, é usada segmentação semântica (com o DeepLabv3) para determinar, entre múltiplas bounding boxes candidatas geradas para um mesmo conector, aquela que melhor delimita a área real da seta. O reconhecimento de texto é realizado pelo modelo TrOCR, treinado com uma estratégia de aumento de dados que combina anotações reais, expressões matemáticas e padrões sintéticos de programação. Por fim, a etapa de reconhecimento de diagrama reconstrói as relações de fluxo entre os símbolos, possibilitando a geração de código Python executável a partir do grafo reconhecido. O método é avaliado em duas bases públicas de fluxogramas manuscritos (FC_A e FC_B), alcançando precisão média de 99,41% e 99,73%, respectivamente (IoU de 0,8), e taxas de reconhecimento de diagrama completo de 79,53% e 90,30%, superando os métodos comparados na literatura. Os experimentos de geração automática de código, avaliados em seis padrões estruturais distintos, alcançaram, em média, 78,0% de reconhecimento estrutural completo e 58,6% de sucesso na geração de código. Além do domínio de fluxogramas, o método é aplicado ao reconhecimento de autômatos finitos manuscritos, com o objetivo de reconhecer sequências de bits, alcançando 89,20% de reconhecimento completo de diagrama.
Palavras-chave: Detecção de objetos. Reconhecimento de diagrama. Segmentação semântica. Reconhecimento off-line. Programação baseada em fluxogramas. Geração de código. Autômatos finitos.
Comentários desativados