Detecção de espaço de estacionamento com visão computacional: revisão sistemática da literatura
MedicinaO que aconteceu
A detecção automática do espaço de estacionamento é um componente cada vez mais importante da mobilidade urbana inteligente, porque pesquisas de estacionamento ineficientes contribuem para atrasos de viagem, congestionamento, consumo de combustível e emissões. Esta revisão sistemática de literatura, realizada utilizando a metodologia de Kitchenham e o referencial PICOC, sintetiza 15 estudos revisados por pares publicados entre 2021 e março de 2026. Examina métodos de detecção, precisão relatada e eficiência computacional, cobertura de avaliação ambiental, uso de dados, práticas de pré-processamento, reprodutibilidade e direções futuras de pesquisa. Esta revisão fornece uma matriz de desempenho analítico e um quadro de avaliação-cobertura ambiental quantificado que identificam lacunas recorrentes em relatórios de desempenho, validação ambiental e reprodutibilidade. Os resultados demonstram a necessidade de benchmarks comparativos padronizados, conjuntos de dados ambientalmente diversos e práticas de comunicação transparentes para permitir uma avaliação robusta do desempenho, robustez e escalabilidade do mundo real.
O que encontraram
A arquitetura baseada em YOLO foi a família modelo mais adotada, aparecendo em sete dos 15 estudos (46,7%). Estudos selecionados relataram valores médios de precisão acima de 90% e velocidades de processamento acima de 40 FPS; entretanto, as comparações entre estudos foram limitadas por conjuntos de dados heterogêneos, configurações de hardware, definições métricas e condições experimentais. A avaliação ambiental foi limitada e desigual: a névoa foi examinada em um dos 15 estudos, a oclusão em dois e a neve em nenhum. PKLot e CNRPark-EXT foram os benchmarks públicos mais utilizados, enquanto o uso de conjuntos de dados privados e mistos limitou a validação externa quando dados ou metadados não foram compartilhados.
Tradução automática do resumo original, publicado em Frontiers in artificial intelligence sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Parking space detection using computer vision: a systematic review of the literature
Gary Fernando Yunganina Mamani, Guver Leon Cori Coarite, Jhon Alexander Chambi Vilca, Angel Rosendo Condori-Coaquira, David Mamani-Pari, Milton Edward Humpiri-Flores, Esteban Tocto-Cano