Publicação: Estudo e aplicação da visão computacional em imagens aéreas para detecção de edificações situadas a jusante de barragens
Carregando...
Arquivos
Data
Autores
Orientador
Paschoalini, Amarildo Tabone 
Coorientador
Pós-graduação
Curso de graduação
Engenharia Mecânica - feis
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
As diretrizes envolvendo a segurança das regiões situadas a jusante de barragens sofreu alterações substanciais com a atualização da Lei Federal nº 14.334/2010 pela Lei Federal nº 14.066/2020, que estabelecem a Política Nacional de Segurança de Barragens. Dentre as atualizações, destaca-se a identificação de edificações em área vulnerável para elaboração de mapas de inundação, a qual é competência do empreendedor. Trata-se de uma atividade vagarosa e passível de erros, cujo processo poderia ser otimizado por intermédio da visão computacional. Neste cenário, a visão computacional, já consolidada em análises de imagens, possui um papel de destaque em abordagens envolvendo imagens aéreas. Isto posto, o presente trabalho buscou estudar e avaliar o desempenho do algoritmo YOLOv5 na detecção de edificações utilizando imagens aéreas. Para o treinamento do modelo computacional, foi utilizado um conjunto de dados de disponibilidade gratuita, conhecido como AIRS, que reúne uma grande coletânea de imagens aéreas, cuja eficácia do treinamento foi posteriormente avaliada em imagens colhidas em diferentes regiões por meio do Google Earth. A realização de testes com diferentes imagens obtidas do AIRS resultou em precisões e recalls girando em torno de 90%, utilizando hiperparâmetros genéricos, para um conjunto de dados de 1000 imagens rotuladas. Já na utilização das imagens e vídeos de testes obtidos do Google Earth, a detecção de edificações enfrentou dificuldades, principalmente em razão das imagens possuírem diferenças significativas em relação às imagens empregadas no treinamento do modelo, fator que compromete sua aplicação direta e, consequentemente, a confiabilidade das detecções das edificações. Logo, para aumentar a eficácia das detecções e incrementar o emprego desta ferramenta, pode-se adequar os dados utilizados no treinamento com imagens semelhantes às amostradas nos dados finais de teste. Dentre outras possibilidades, a integração desta ferramenta com veículos aéreos possibilitaria análises assistidas e consequente otimização do processo de detecção em tempo real. Por fim, destaca-se que a crescente evolução no segmento possibilita avanços promissores, não só na detecção de edificações, mas na caracterização completa dos demais objetos presentes em imagens aéreas.
Resumo (inglês)
The guidelines involving the safety of regions located downstream of dams underwent substantial changes with the updating of Federal Law No. 14.334/2010 by Federal Law No. 14.066/2020, which establish the Dams Safety National Policy. Among the updates, there is the identification of buildings in a vulnerable area for the preparation of flood maps, which is the responsibility of the entrepreneur. It is a slow and error-prone activity, the process of which could be optimized through computer vision. In this scenario, computer vision, already consolidated in image analysis, plays a prominent role in approaches involving aerial images. That said, the present work aimed to study and evaluate the performance of the YOLOv5 algorithm in the detection of buildings using aerial images. For the training of the computational model, a dataset of free availability, known as AIRS, was used, which brings together a large collection of aerial images, whose training effectiveness was later evaluated on images collected in different regions through Google Earth. Testing with different images obtained from the AIRS resulted in accuracies and recalls around 90%, using generic hyperparameters, for a dataset of 1000 labeled images. In the use of test images and videos obtained from Google Earth, the detection of buildings faced difficulties, mainly because the images have significant differences in relation to the images used in the training of the model, a factor that compromises its direct application and, consequently, the reliability of building detections. Therefore, to increase the effectiveness of detections and increase the use of this tool, it is possible to adapt the data used in training with images similar to those sampled in the final test data. Among other possibilities, the integration of this tool with air vehicles would enable assisted analysis and consequent optimization of the detection process in real time. Finally, it is highlighted that the growing evolution in the segment allows promising advances, not only in the detection of buildings, but in the complete characterization of the other objects present in aerial images.
Descrição
Palavras-chave
Segurança de Barragens, YOLOv5, Inteligência Artificial, Aprendizado de Máquina, Dam Safety, Artificial Intelligence, Machine Learning
Idioma
Português
