Use este identificador para citar ou linkar para este item: http://repositorio.ifam.edu.br/jspui/handle/4321/1622
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisor1Santos, Alyson de Jesus dos-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5998752909180697pt_BR
dc.contributor.referee1Santos, Alyson de Jesus dos-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5998752909180697pt_BR
dc.contributor.referee2Rodrigues, Marlos André Silva-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0650250324042531pt_BR
dc.contributor.referee3Ribeiro, Ewerton Andrey Godinho-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/0187470129136467pt_BR
dc.creatorChung, Minjae Lins-
dc.date.accessioned2025-01-14T15:06:10Z-
dc.date.available2025-01-14-
dc.date.available2025-01-14T15:06:10Z-
dc.date.issued2025-01-07-
dc.identifier.citationCHUNG, Minjae Lins. Uso de visão computacional para detecção de quedas em tempo real. 2025. Monografia ( Graduação em Engenharia de Controle e Automação) - Instituto Federal de Educação, Ciência e Tecnologia do Amazonas, Campus Manaus Distrito Industrial, Manaus, 2025.pt_BR
dc.identifier.urihttp://repositorio.ifam.edu.br/jspui/handle/4321/1622-
dc.description.abstractThe aging of the global population brings numerous challenges, both for society as a whole and on a personal/family level. Families face the dilemma of protecting elderly family members without compromising their autonomy and independence during this vulnerable phase of their lives. Along with the physical and psychological changes involved in the natural aging process, domestic accidents, particularly falls, become common events for most of the elderly population. In this context, a fall detection system was presented, employing pose recognition (poseNet) and action recognition (actionNet) technologies, capable of automatically sending alerts to relatives or caregivers. The results demonstrated an accuracy of 82.5% in the proposed model, with near-instantaneous time between alert delivery and receivement. Thus, the system proved to be efficient, meeting the outlined objectives and serving as a foundation for future projects.pt_BR
dc.description.resumoO envelhecimento da população mundial traz consigo diversos desafios, tanto para a sociedade como um todo quanto à nível pessoal/familiar. Os familiares enfrentam o dilema entre proteger as pessoas idosas da família, sem prejudicar a autonomia e independência nessa fase vulnerável de suas vidas. Junto das mudanças físicas e psicologias envolvidas no processo natural do envelhecimento, acidentes domésticos tornam-se eventos comuns para a maioria da população idosa, principalmente quedas. Dessa forma, apresentou-se um sistema de detecção de quedas através da aplicação de reconhecimento de pose (poseNet) e de ação (actionNet), capaz de enviar alertas de forma automática para parentes ou cuidadores. Os resultados apresentados demonstraram uma acurácia de 82,5% no modelo proposto e com tempo quase instantâneo entre envio e recebimento dos alertas. Sendo assim, considera-se que o sistema demonstrou eficiência, cumprindo com os objetivos traçados e contribuindo como base para projetos futuros.pt_BR
dc.description.provenanceSubmitted by Darlene Rodrigues (darlene.rodrigues@ifam.edu.br) on 2025-01-14T15:06:10Z No. of bitstreams: 1 USO DE VISÃO COMPUTACIONAL PARA DETECÇÃO DE QUEDAS EM TEMPO REAL_CHUNG_2025.pdf: 4324866 bytes, checksum: 5eaeb7d09895bed62269a7a2643f72a0 (MD5)en
dc.description.provenanceMade available in DSpace on 2025-01-14T15:06:10Z (GMT). No. of bitstreams: 1 USO DE VISÃO COMPUTACIONAL PARA DETECÇÃO DE QUEDAS EM TEMPO REAL_CHUNG_2025.pdf: 4324866 bytes, checksum: 5eaeb7d09895bed62269a7a2643f72a0 (MD5) Previous issue date: 2025-01-07en
dc.languageporpt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentCampus Manaus Distritopt_BR
dc.publisher.initialsInstituto Federal do Amazonaspt_BR
dc.publisher.initialsIFAMpt_BR
dc.publisher.initialsEngenharia de Controle e Automaçãopt_BR
dc.publisher.initialsInstituto Federal do Amazonaspt_BR
dc.publisher.initialsIFAMpt_BR
dc.publisher.initialsEngenharia de Controle e Automaçãopt_BR
dc.publisher.initialsInstituto Federal do Amazonaspt_BR
dc.publisher.initialsIFAMpt_BR
dc.publisher.initialsEngenharia de Controle e Automaçãopt_BR
dc.relation.referencesADT, 2023. Monitoramento de Idosos. Disponível em: https://blog.adt.com.br/monitoramento-de-idosos/. Acesso em: 27 de ago. de 2024. ALF, L. M.; HOFFMANN, R. B.; MULLER, C.; GRIEBLER, D. Análise da Execução de Algoritmos de Aprendizado de Máquina em Dispositivos Embarcados. Anais do XXIV Simpósio em Sistemas Computacionais de Alto Desempenho. 2023. DOI: https://doi.org/10.5753/wscad.2023.235915. Acesso em: 27 de ago. de 2024. BAIXINHO, C. R. S. L.; DIXE, M. A. C. R. Monitoramento de episódios de quedas em Instituição de Idosos. Revista Eletrônica de Enfermagem, v. 16, n. 1, p. 28-34, 2014. DOI: 10.5216/ree.v16i1.20650. Disponível em: http://dx.doi.org/10.5216/ree.v16i1.20315. Acesso em: 24 de nov. de 2024. BENGIO, Y. Learning deep architectures for AI. Now Publishers, v. 2, n. 1, p. 1-127, 2009. DOI: http://dx.doi.org/10.1561/2200000006. Disponível em: https://www.researchgate.net/publication/215991023_Learning_Deep_Architectures_for_AI. Acesso em: 08 de dez. de 2024. CARREIRA, J.; NOLAND, E.; HILLIER, C.; ZISSERMAN, A. A Short Note on the Kinetics-700 Human Action Dataset. Computer Vision and Pattern Recognition, 2022. DOI: https://doi.org/10.48550/arXiv.1907.06987. Disponível em: https://arxiv.org/abs/1907.06987. Acesso em: 08 de dez. de 2024. CHAKRAVORTY, T.; SONAWANE, D. N.; SHARMA, S. D.; PATIL, T. Low-cost subcutaneous vein detection system using ARM9 based single board computer. 2011 3rd International Conference on Electronics Computer Technology, India. 2011, p. 339-343, DOI: 10.1109/ICECTECH.2011.5941714. Acesso em: 23 de nov. de 2024. CHEN, W.; JIANG, Z.; GUO, H.; NI, X. Fall Detection Based on Key Points of Human-Skeleton Using OpenPose. Symmetry, v. 12, n. 5, p. 2 – 17, 2020. DOI: https://doi.org/10.3390/sym12050744. Acesso em: 19 de dez. de 2024. Disponível em: https://www.mdpi.com/2073-8994/12/5/744#table_body_display_symmetry-12-00744-t002. COSTA NETO, J. V. da; BARROS FILHO, E. M. de.; SANTANA, J. R. Single-Board Computers in Education: A systematic literature review. Research, Society and 70 Development, v. 10, n. 7, p. e12410716476, 2021. DOI: 10.33448/rsd-v10i7.16476. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/16476. Acesso em: 21 nov. de 2024. CUNHA, C. R.; MENDONÇA, V.; MORAIS, E. P.; FERNANDES, J. Using Pervasive and Mobile Computation in the Provision of Gerontological Care in Rural Areas. Procedia Computer Science, v. 138, p. 72-79, 2018. DOI: http://dx.doi.org/10.1016/j.procs.2018.10.011. Disponível em: https://bibliotecadigital.ipb.pt/handle/10198/19080. Acesso em: 09 de dez. de 2024. Cuide Me Care, 2024. Disponível em: https://www.cuideme.care/. Acesso em: 27 de ago. de 2024. FRANKLIN, DUSTIN. 2024. Jetson Inference, ©NVIDIA CORPORATION. Disponível em: https://github.com/dusty-nv/jetson-inference. Acesso em: 08 de dez. de 2024. EMBARCADOS, 2020. Plataforma NVIDIA JETSON Nano. Disponível em: https://embarcados.com.br/plataforma-nvidia-jetson-nano/#NVIDIA-JETSON-Nano. Acesso em: 27 de ago. de 2024. ESCORSIM, S. M. O envelhecimento no Brasil: aspectos sociais, políticos e demográficos em análise. Serviço Social & Sociedade, n. 142, p. 427-446, 2021. DOI: 10.1590/0101-6628.258. Acesso em: 18 de dez. de 2024. FERREIRA, D. C. O.; YOSHITOME, A. Y. Prevalência e características das quedas de idosos institucionalizados. Revista Brasileira de Enfermagem (REBEn), v. 63, n. 6, p. 991-7, 2010. DOI: https://doi.org/10.1590/S0034-71672010000600019. Acesso em: 25 de nov. de 2024. GRABCAB COMMUNITY, 2021. NVIDIA Jetson Nano 2GB Fixed. Disponível em: https://grabcad.com/library/nvidia-jetson-nano-2gb-fixed-1. Acesso em: 04 de dez. de 2024. GRABCAB COMMUNITY, 2022. 120mm Computer Fan. Disponível em: https://grabcad.com/library/120mm-computer-fan-1. Acesso em: 04 de dez. de 2024. HAMZAH, M. S.; FADILLAH, N.; MAULANA, D. W.; JONI, I. M.; PANATARANI, C.; FAIZAL, F. Development of Single-board Computer-based Self-Driving Car Model using CNN-Controlled RC Car. 2022 International Conference on Electronics and 71 Renewable Systems (ICEARS), India. 2022, p. 1805-1812, DOI: 10.1109/ICEARS53579.2022.9751873. Acesso em: 23 de nov. de 2024. GOODFELLOW, I. J.; ABADIE-POUGET, J.; MIRZA, M.; XU, B.; WARDE-FARLEY, D.; OZAIR, S.; COURVILLE, A.; BENGIO, Y. Generative Adversarial Nets. Machine Learning, 2014. DOI: https://doi.org/10.48550/arXiv.1406.2661. Disponível em: https://arxiv.org/abs/1406.2661. Acesso em: 08 de dez. de 2024. IBGE, Instituto Brasileiro de Geografia e Estatística. Censo Demográfico 2022: População por Idade e Sexo. Disponível em: https://agenciadenoticias.ibge.gov.br/media/com_mediaibge/arquivos/0c84737978791f626ea10b75eae18b3c.docx#:~:text=De%20acordo%20com%20o%20Censo,rela%C3%A7%C3%3o%20%C3%A0quela%20recenseada%20em%202010. Acesso em: 27 de ago. de 2024. INTELBRAS, 2022. A importância do alarme para idosos que moram sozinhos. Disponível em: https://blog.intelbras.com.br/melhor-alarme-para-idosos/. Acesso em: 27 de ago. de 2024. INTELBRAS, 2024. Especificações Técnicas – Câmera Inteligente Interna Wi-Fi Full HD 360 iM4 C. Disponível em: https://www.intelbras.com/pt-br/camera-interna-inteligente-wi-fi-full-hd-360deg-im4. Acesso em: 22 dez. 2024 LANGE, C. Acidentes domésticos em idosos com diagnóstico de demência atendidos em um ambulatório de Ribeirão Preto, SP. 200. 221f. Tese (Doutorado em Enfermagem Fundamental) – Escola de Enfermagem da Universidade de São Paulo, Ribeirão Preto, 2005. LOPES, M. A. L. Benchmark de Sistemas Embebidos para Machine Learning em Visão Computacional. 2021. 60f. Dissertação (Mestrado em Engenharia Eletrotécnica e de Computadores – Sistemas Autônomos) – Instituto Superior de Engenharia do Porto, 2021. MANO, L. Y.; VOLPATO, T.; FUNES, M. M.; NETO, J. R. T. Explorando tecnologias de IoT no contexto de Health Smart Home: uma abordagem para detecção de quedas em pessoas idosas. Journal on Advances in Theoretical and Applied Informatics, v. 2, n. 1, p. 46-57, 2016. DOI: https://doi.org/10.26729/jadi.v2i1.1667. Disponível em: 72 https://revista.univem.edu.br/jadi/article/view/1667https://revista.univem.edu.br/jadi/article/view/1667. Acesso em: 09 de dez. de 2024. MARENGONI, M.; STRINGHINI, D. Tutorial: Introdução à Visão Computacional usando OpenCV. Revista de Informática Teórica e Aplicada, v. 16, n. 1, p. 125 – 160, 2009. DOI: 10.22456/2175-2745.11477. MARINHO, C. L.; NASCIMENTO, V.; BONADIMAN, B. S. R.; TORRES, S. R. F. Causas e consequências de quedas de idosos em domicílio. Brazilian Journal of Health Review, v. 3, n. 3, p. 6880-6896, 2020. DOI: 10.34119/bjhrv3n3-225. MELO, B. R. S.; SANTOS, P. R. S.; GRATÃO, A. C. M. Fatores de risco extrínsecos para queda em idosos: uma revisão bibliográfica. Revista Eletrônica Acervo Saúde, v. 6, n. 2, p. 695-703, 2014. MILANO, D. HONORATO, L. B. Visão Computacional. Universidade Estadual de Campinas, p. 1-7, 2010. MITALL, S. A Survey on optimized implementation of deep learning models on the NVIDIA Jetson platform. Journal of Systems Architecture, v. 97, p. 428 – 442, 2019. DOI: https://doi.org/10.1016/j.sysarc.2019.01.011. MITCHELL, T. M.; Machine Learning. 1 ed. [S.1.]: McGraw-Hill, 1997. P. 1 – 424. ISBN 978-0-07-042807-2. MONFORT, M.; ANDONIAN, A.; ZHOU, B.; RAMAKRISHNAN, K.; BARGAL, S. A.; YAN, T.; BROWN, L.; FAN, Q.; GUTFRUEND, D.; VOLDRICK, C.; OLIVA, A. Moments in Time Dataset: one million videos for event understanding. Computer Vision and Pattern Recognition, 2019. DOI: https://doi.org/10.48550/arXiv.1801.03150. Disponível em: https://arxiv.org/abs/1801.03150. Acesso em: 08 de dez. de 2024. NEGRI, L. S.; RUY, G. F.; COLLODETTI, J. B.; PINTO, L. F.; SORANZ, D. R. Aplicação de um instrumento para detecção precoce e previsibilidade de agravos na população idosa. Ciência e Saúde Coletiva, v. 9, n. 4, p. 1033 – 1046, 2004. NVIDIA, 2024. GPU NVIDIA A100. Disponível em: https://www.nvidia.com/pt-br/data-center/a100/. Acesso em: 23 de nov. de 2024. PAIXÃO, G. M. de M.; SANTOS, B. C.; ARAUJO, R. M. de; RIBEIRO, M. H.; RIBEIRO, A. L. Machine Learning na Medicina: Revisão e Aplicabilidade. Arquivos Brasileiros 73 de Cardiologia, v. 118, n. 1, p. 95 – 102, 2022. DOI: https://doi.org/10.36660/abc.20200596. Acesso em: 02 de dez. de 2024. PEDROSO, Y. R. da S. USO DE REDES NEURAIS PARA IDENTIFICAÇÃO DE EMBARCAÇÕES, 2024. 49f. Monografia (Graduação no curso de Engenharia de Controle e Automação) – Instituto Federal de Educação, Ciência e Tecnologia do Amazonas, Campus Distrito Industrial (IFAM – CMDI), Manaus, Amazonas, 2024. PHAM, H. V.; TRAN, T. G.; LE, C. D.; LE, A. D.; VO, H. B. Benchmarking Jetson Edge Devices with an End-to-End Video-based Anomaly Detection System. Computer Vision and Pattern Recognition, 2023. DOI: https://doi.org/10.48550/arXiv.2307.16834. Disponível em: https://arxiv.org/abs/2307.16834. Acesso em: 08 de dez. de 2024. RAMOS, B. L. V. L.; FLORENTINO, C. V. F. S.; ANDRADE, I. C. R.; TENÓRIO, M. A.; SILVA, J. I. F. Acidentes domésticos prevalentes na pessoa idosa. Tópicos especiais em Ciências da Saúde: Teoria, Métodos e Práticas 5, Capítulo 34, p. 392 – 401, 2022. DOI: 10.47573/aya.5379.2.78.34. RASPBERRY PI, 2024. Raspberry Pi 4. Disponível em: https://www.raspberrypi.com/products/raspberry-pi-4-model-b/specifications/. Acesso em: 23 de nov. de 2024. REUS, M. Detector: um sistema de monitoramento de pessoas utilizando microcontroladores e Smartphones. 2012. 60f. Monografia (Graduação no curso de Ciência da Computação) – Universidade Federal do Rio Grande do Sul, Porto Alegre, Rio Grande do Sul, 2012. RIOS, M. L.; NETTO, J. F. M. Uma Abordagem Utilizando Visão Computacional para Monitoramento de Robôs Móveis em Ambientes de Tarefas na Robótica Educacional. V Congresso Brasileiro de Informática na Educação (CIEB 2016). Anais do XXVII Simpósio Brasileiro de Informática na Educação (SBIE 2016). DOI: 10.5753/cbie.sbie.2016.480. Acesso em: 18 de nov. de 2024. SANTANA, C. da S.; RAYMUNDO, T. M.; SANTANA, M. P.; SILVA, D. de O.; ELUI, V. M. C.; MARQUES, P. M. de A. (2014). Uso de equipamentos de monitoramento da saúde por idosos no ambiente doméstico. Revista Brasileira De Geriatria E 74 Gerontologia, v. 17, n. 2, p. 383–393. DOI: https://doi.org/10.1590/S1809-98232014000200015. Acesso em: 18 de nov. de 2024. SANTOS, A, M. R.; PEREIRA, D. B. D.; CARVALHO, L. C. S.; MADEIRA, M. Z. A.; ANDRADE, E. M. L. R. Acidentes domésticos em idosos atendidos em um hospital de urgência. Revista Eletrônica de Enfermagem, v. 18, p. 1 – 12, 2016. DOI: http://dx.doi.org/10.5216/ree.v18.36569. Disponível em: https://revistas.ufg.br/fen/article/view/36569/21676. Acesso em: 27 de ago. de 2024. SCHINDLER, K.; GOOL, L. V. Action snippets: How many frames does human action recognition require? 2008 IEE Conference on Computer Vision and Pattern Recognition, USA. DOI: https://doi.org/10.1109/CVPR.2008.4587730. Disponível em: https://ieeexplore.ieee.org/document/4587730/authors#authors. Acesso em: 20 de dez. de 2024. SHIDDIEQY, H. A.; HARIADI, F. I.; ADIONO, T. Implementation of deep-learning based image classification on single board computer. 2017 International Symposium on Electronics and Smart Devices (ISESD), Indonesia. 2017, p. 133-137, DOI: 10.1109/ISESD.2017.8253319. Acesso em: 23 de nov. de 2023. SILVA, J. I. F. Acidentes domésticos prevalentes na pessoa idosa. Tópicos especiais em Ciências da Saúde: Teoria, Métodos e Práticas 5, Capítulo 34, p. 392 – 401, 2022. DOI: 10.47573/aya.5379.2.78.34. SILBERSCHATZ, A.; GALVIN, P. B.; GAGNE, G. Operating System Concepts. 10. ed. [S.l.]: John Wiley Sons, 2018. SINGH, A.; LE, T.; NEGUYEN, T. L.; WHELAN, D.; O’REILLY, M.; CAULFIELD, B.; IFRIM, G. Classification of Human Exercise Videos Through Pose Estimation and Multivariate Time Series Analysis. AI for Disease Surveilance and Pandemic Intelligence, p. 181 – 199, 2022. DOI: 10.1007/978-3-030-93080-6_14. Acesso em: 02 de fev. de 2025. SOUSA, M. da C.; BARROSO, I. L. B.; VIANA, J. A.; RIBEIRO, K. N.; LIMA, L. N. F.; VACCIN, P. D. A.; SILVA, V. G. P. da; NASCIMENTO, W. C. O envelhecimento da população: aspectos do Brasil e do mundo, sob o olhar da literatura. Brazilian Journal of Development, v. 6, n. 8, p.61871-61877, 2020. DOI: 10.34117/bjdv6n8-564. Acesso em: 18 de dez. de 2024. 75 SOUSA, N. C. de; OLIVEIRA, R. R. de; SALCI, M. A.; CARREIRA, L.; RODRIGUES, T. F. C. da. S.; RADOVANOVIC, C. A. T. Aumento nas reclamações de idosos sobre a saúde suplementar no Brasil. Ciência e Saúde Coletiva, v. 26, n. 3, p. 5123-5131, 2021. DOI: 10.1590/1413-812320212611.3.17942019; Acesso em: 18 de dez. de 2024. SOUZA, C. M. de.; SILVA, A. N. Aplicativos para smartphones e sua colaboração na capacidade funcional de idosos. Revista de Saúde Digital e Tecnologias Educacionais, v. 1, n.1, p. 6-19, 2016. Disponível em: https://repositorio.ufc.br/handle/riufc/20048. Acesso em: 09 de dez. de 2024. THAMAY, F.; MORAIS, M. E. de. Monitoramento de crianças e idosos utilizando uma WBAN. Revista de Saúde Digital e Tecnologias Educacionais, v. 3, n. 4, p. 44-59, 2018. Disponível em: https://repositorio.ufc.br/handle/riufc/34326. Acesso em: 09 de dez. de 2024. THINGIVERSE, 2021. Jetson Nano 2GB Case. Disponível em: https://www.thingiverse.com/thing:4714504. Acesso em: 02 de dez. de 2024. UNITED NATIONS, 2024. Popular Division. 2024. Disponível em: https://population.un.org/wpp/graphs. Acesso em: 18 de nov. de 2024. VICIELI, L. Brasil tem 11,8 milhões de pessoas que moram sozinhas, diz IBGE. 2023. Disponível em: https://www.em.com.br/app/noticia/nacional/2023/06/16/interna_nacional,1508125/brasil-tem-11-8-milhoes-de-pessoas-que-moram-sozinhas-diz-ibge.shtml. Acesso em: 10 de out. de 2024. VIEIRA, D. A. G.; LISBOA, A. C.; SANTOS, A. L.; YEHIA, H. C.; BORTOLINI, D. E.; MAGALHÃES, H. A.; NETO, A. F.; NASCIMENTO, C. A. M. Visão computacional para monitoramento ambiental de áreas cobertos por linhas de transmissão utilizando reconhecimento de padrões. 2015. DOI: 10.13140/RG.2.1.4203.6967. WITTEN, I. H.; FRANK, E.; HALL, M. A. Data Mining: Practical Machine Learning Tools and Techniques, 3 ed. Elsevier Inc, 2011. ZHOU. Y.; YANG, K. Exploring TensorRT to Improve Real-Time Inference for Deep Learning, 2022 IEEE 24th Int Conf on High Performance Computing & Communications; 8th Int Conf on Data Science & Systems; 20th Int Conf on Smart City; 8th Int Conf on Dependability in Sensor, Cloud & Big Data Systems 76 & Application (HPCC/DSS/SmartCity/DependSys), China. 2022, p. 2011-2018, DOI: 10.1109/HPCC-DSS-SmartCity-DependSys57074.2022.00299. Disponível em: https://ieeexplore.ieee.org/document/10074837/authors#authors. Acesso em: 08 de dez. de 2024.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectVisão computacionalpt_BR
dc.subjectNVIDIA Jetsonpt_BR
dc.subjectJetson Inferencept_BR
dc.subjectQuedapt_BR
dc.subjectReconhecimento de posept_BR
dc.subjectReconhecimento de açãopt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOSpt_BR
dc.titleUso de visão computacional para detecção de quedas em tempo realpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
Aparece nas coleções:Monografia_Cont_Automação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
USO DE VISÃO COMPUTACIONAL PARA DETECÇÃO DE QUEDAS EM TEMPO REAL_CHUNG_2025.pdfMonografia_Controle e Automação4,22 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


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