Robust and Real-Time Bangladeshi Currency Recognition: A Dual-Stream MobileNet and EfficientNet Approach

Título: Reconhecimento Robusto e em Tempo Real de Moeda Bangladesh: Uma Abordagem com MobileNet e EfficientNet de Duplo Fluxo

1. Problema e Motivação

O reconhecimento preciso de moeda é fundamental para tecnologias assistivas, especialmente para indivíduos com deficiência visual. No Bangladesh, cerca de 650.000 adultos são visualmente deficientes. Atualmente, a identificação de notas depende de métodos táteis (pontos em relevo), que se deterioram com o tempo e são pouco confiáveis, ou de assistência humana, o que expõe os usuários a riscos de fraude e exploração.

Os sistemas existentes de reconhecimento de moeda enfrentam várias limitações:

• Falta de Robustez: A maioria dos modelos falha em cenários do mundo real com fundos complexos, variações de iluminação, oclusões e notas dobradas ou desgastadas.
• Arquitetura Única: Muitos sistemas utilizam uma única arquitetura de rede neural, perdendo a oportunidade de combinar forças complementares de diferentes modelos.
• Falta de Explicabilidade: A natureza de "caixa preta" dos modelos de Deep Learning reduz a confiança do usuário e dificulta a depuração, um fator crítico para tecnologias assistivas.
• Conjuntos de Dados Limitados: Os dados disponíveis frequentemente carecem de diversidade ou não cobrem todas as denominações (como a nota de 200 Taka, lançada recentemente).

2. Metodologia

O estudo propõe uma arquitetura híbrida de Deep Learning otimizada para dispositivos com recursos limitados, composta por três etapas principais:

• A. Construção do Conjunto de Dados:
  Os autores criaram e agregaram cinco conjuntos de dados de complexidade crescente, totalizando 8.100 imagens de 9 denominações (de 2 a 1000 Taka).

  • Custom Dataset-1: Fundo controlado (benchmarks públicos).
  • Primary Dataset-1: Fundos simples e iluminação consistente.
  • Primary Dataset-2: Cenários do mundo real com fundos complexos, oclusões e variações de luz.
  • Custom Dataset-2 & 3: Combinações e agregações de todos os anteriores para máxima diversidade.

• B. Arquitetura do Modelo Híbrido:
  O sistema utiliza um fluxo de extração de características em dupla ramificação (Dual-Stream):

  1. Extração de Características: Duas redes pré-treinadas no ImageNet operam em paralelo:
     • MobileNetV3-Large: Otimizado para eficiência e dispositivos de baixo recurso.
     • EfficientNetB0: Utiliza compound scaling para capturar representações multi-escala.
  2. Fusão e Processamento: Os vetores de características das duas redes são concatenados, normalizados (L2) e submetidos à Análise de Componentes Principais (PCA) para redução de dimensionalidade (mantendo 95% da variância).
  3. Classificação: Um classificador MLP (Perceptron Multicamada) compacto processa os vetores reduzidos. A arquitetura do MLP é leve (~327 mil parâmetros), utilizando camadas densas, Batch Normalization e Dropout progressivo para evitar overfitting.

• C. Explicabilidade (XAI):
  Para garantir transparência, o modelo integra duas técnicas de IA Explicável:

  • LIME (Local Interpretable Model-agnostic Explanations): Para explicar previsões individuais.
  • SHAP (Shapley Additive exPlanations): Para atribuição global de importância das características.

• D. Configuração Experimental:

  • Validação: Validação cruzada de 5 dobras (5-fold cross-validation).
  • Otimização: Comparação de quatro otimizadores (Adam, AdamW, RMSProp, SGD) com quatro taxas de aprendizado.
  • Métricas: Precisão, Recall, F1-Score, Kappa de Cohen, MCC e AUC.

3. Principais Contribuições

1. Novo Modelo Híbrido: Combinação de MobileNetV3-Large e EfficientNetB0 com um classificador MLP, superando modelos de arquitetura única.
2. Conjunto de Dados Abrangente: Criação de um banco de dados diversificado (8.100 imagens) que vai de condições controladas a cenários complexos do mundo real, incluindo a nota de 200 Taka.
3. Análise Rigorosa de Otimização: Avaliação sistemática de múltiplos otimizadores e taxas de aprendizado para definir a melhor estratégia de treinamento.
4. Integração de XAI: Uso de LIME e SHAP para tornar as decisões do modelo interpretáveis e transparentes.
5. Sistema em Tempo Real: Desenvolvimento de uma aplicação web com ativação por voz e saída de áudio/texto, demonstrando viabilidade em dispositivos com recursos limitados.

4. Resultados

O modelo proposto demonstrou desempenho superior em comparação com modelos baseline (MobileNetV2, ResNet50, InceptionV3, etc.):

• Precisão Geral:
  • 97,95% em conjuntos controlados (Primary Dataset-1).
  • 92,84% em fundos complexos e cenários desafiadores (Primary Dataset-2).
  • 94,98% no conjunto de dados combinado e mais diverso (Custom Dataset-3).
• Robustez: O modelo manteve métricas de concordância (Kappa e MCC) acima de 0,92 mesmo em cenários complexos, indicando forte capacidade de generalização.
• Comparação: O modelo híbrido superou consistentemente os modelos individuais. Por exemplo, no Primary Dataset-2, obteve 92,84% de precisão, enquanto o EfficientNetB0 (o segundo melhor) atingiu apenas 78,69%.
• Interpretabilidade: As visualizações LIME e SHAP confirmaram que o modelo foca em características semânticas relevantes (textura, números, cores) e ignora ruídos de fundo, validando a confiabilidade das previsões.
• Eficiência: O modelo converge rapidamente (40-50 épocas) e possui baixa complexidade computacional, permitindo execução em tempo real.

5. Significância e Impacto

Este trabalho oferece uma solução prática e acessível para a inclusão financeira de pessoas com deficiência visual no Bangladesh. Ao combinar alta precisão, robustez a condições adversas e explicabilidade, o sistema não apenas identifica a moeda, mas também constrói confiança no usuário. A abordagem híbrida e a arquitetura leve demonstram que é possível criar sistemas de visão computacional de ponta que podem ser implantados em dispositivos móveis e embarcados, sem a necessidade de hardware caro, promovendo a independência financeira e reduzindo o risco de fraudes para populações vulneráveis.