Geração de imagens sintéticas de laboratórios de engenharia elétrica utilizando stable diffusion
uma análise da aplicabilidade de modelos de difusão para visualização educacional
DOI:
https://doi.org/10.47385/tudoeciencia.2604.2025Palavras-chave:
Stable Diffusion. Inteligência Artificial. Engenharia Elétrica. Geração de Imagens. Modelos de Difusão. Educação Tecnológica.Resumo
Este trabalho apresenta uma investigação sobre a aplicação de modelos de difusão, especificamente o Stable Diffusion v1.5, para a geração de imagens sintéticas de laboratórios de engenharia elétrica. O objetivo principal foi avaliar a capacidade do modelo em produzir representações visuais realistas de ambientes laboratoriais típicos desta área de conhecimento, incluindo equipamentos como osciloscópios, multímetros, transformadores e circuitos elétricos. A metodologia consistiu na implementação de um pipeline de geração utilizando a biblioteca Diffusers, com processamento em GPU CUDA para otimização computacional. Os resultados demonstraram que o modelo consegue gerar imagens coerentes e tecnicamente apropriadas de laboratórios de engenharia elétrica, apresentando elementos característicos do ambiente acadêmico e profissional da área. A análise qualitativa das imagens geradas revela potencial significativo para aplicações educacionais, desenvolvimento de materiais didáticos e visualização de conceitos técnicos. As conclusões indicam que modelos de difusão representam uma ferramenta promissora para a criação de conteúdo visual especializado em engenharia, oferecendo alternativas inovadoras para a educação tecnológica.
Downloads
Referências
BLOOM, B. S. Taxonomy of educational objectives: The classification of educational goals. New York: Longmans, Green, 1956.
BRASIL. Ministério da Educação. Diretrizes Curriculares Nacionais do Curso de Graduação em Engenharia. Resolução CNE/CES nº 2, de 24 de abril de 2019.
CLARK, R. C.; MAYER, R. E. E-learning and the science of instruction: Proven guidelines for consumers and designers of multimedia learning. 4. ed. Hoboken: John Wiley & Sons, 2016.
DHARIWAL, P.; NICHOL, A. Diffusion models beat GANs on image synthesis. Advances in Neural Information Processing Systems, v. 34, p. 8780-8794, 2021.
FELDER, R. M.; SILVERMAN, L. K. Learning and teaching styles in engineering education. Engineering Education, v. 78, n. 7, p. 674-681, 1988.
GOODFELLOW, I. et al. Generative adversarial nets. Advances in Neural Information Processing Systems, v. 27, p. 2672-2680, 2014.
HO, J.; JAIN, A.; ABBEEL, P. Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems, v. 33, p. 6840-6851, 2020.
HOLMES, W. et al. Artificial intelligence in education: promises and implications for teaching and learning. Educational Technology Research and Development, v. 71, n. 2, p. 1-20, 2023.
IEC - INTERNATIONAL ELECTROTECHNICAL COMMISSION. IEC 61010-1: Safety requirements for electrical equipment for measurement, control, and laboratory use. Geneva: IEC, 2019.
KOLB, D. A. Experiential learning: Experience as the source of learning and development. Englewood Cliffs: Prentice-Hall, 1984.
LIU, V. et al. Design guidelines for prompt engineering text-to-image generative models. Proceedings of the CHI Conference on Human Factors in Computing Systems, p. 1-23, 2023.
MAYER, R. E. Multimedia learning. Cambridge: Cambridge University Press, 2001.
RADFORD, A. et al. Learning transferable visual models from natural language supervision. International Conference on Machine Learning, p. 8748-8763, 2021.
ROMBACH, R. et al. High-resolution image synthesis with latent diffusion models. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, p. 10674-10685, 2022.
RUDOLPH, J. et al. War of the chatbots: Bard, Bing Chat, ChatGPT, Ernie and beyond. The new AI gold rush and its impact on higher education. Journal of Applied Learning and Teaching, v. 6, n. 1, p. 364-389, 2023.
VON PLATEN, P. et al. Diffusers: State-of-the-art diffusion models. GitHub Repository, 2022. Disponível em: https://github.com/huggingface/diffusers. Acesso em: 15 jan. 2025.
WOLF, T. et al. Transformers: State-of-the-art natural language processing. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations, p. 38-45, 2020.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
