Observando as estatísticas de mortalidade no trânsito, a quantidade de acidentes envolvendo motocicletas e o destaque dado pela Organização Mundial da Saúde a esse tema, percebe-se que se trata de uma questão de saúde pública. Ao analisar a literatura sobre aplicações de aprendizado de máquina nesse contexto, identifica-se uma lacuna na qual este trabalho se insere.
O objetivo deste estudo é classificar imagens de acidentes envolvendo motocicletas por meio de algoritmos de aprendizado de máquina supervisionados em ambientes de computação em borda. Como a utilização de conexão pela internet nesses casos aumenta os custos de implantação e manutenção do sistema, é preferível executar os algoritmos localmente e, portanto, buscar a otimização dos recursos computacionais.
Nesse sentido, este trabalho se propôs a utilizar uma rede neural binária local (LBCNN), uma vez que essa arquitetura, além de reduzir a quantidade de parâmetros empregados em uma convolução, também apresenta propostas de otimização em hardware. Nos experimentos realizados, destacaram-se dois modelos: a configuração LBCNN16-Bernoulli30-ResNet18, que obteve a melhor acurácia (88%), e a LBCNN16-Bernoulli50-ResNet18, com 84% de acurácia, mas com maior potencial de otimização em hardware.