Aplicação de machine learning para classificação de imagens astronômicas
Carregando...
Data
2023-02-01
Autores
Orientador
Oliveira, Rafael Sfair de 
Gomes, Altair
Coorientador
Pós-graduação
Curso de graduação
Física - FEG
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)
Atualmente na Astronomia é crescente a quantidade de imagens coletadas. O objetivo principal
desse projeto foi implementar e analisar métodos de Machine Learning para classificação de
imagens geradas em problemas de dinâmica orbital. O ML é uma área que busca a automatização
de processos a partir de métodos computacionais, utilizando a experiência para melhorar o
desempenho ou para fazer previsões precisas. Dentre os métodos de ML foi escolhido a CNN
(Convolutional Neural Network), que tem como objetivo a análise e classificação de imagens.
Para verificar a exequibilidade da proposta foi realizada uma análise preliminar utilizando
dados orbitais da evolução dinâmica de NEAs (Near Earth Asteroids), cujo modelo de ML foi
construído utilizando a biblioteca keras de redes neurais em Python.
Nesse caso, o intuito foi classificar gráficos que representavam a excentricidade em relação ao
semi-eixo maior da órbita dos objetos. Partimos de um conjunto com 429 gráficos e realizamos
testes agrupando as imagens em duas ou três categorias. Para os casos com duas categorias
foi possível obter uma acurácia superior a 0,9 usando 30% das imagens como etapa de treino,
podendo chegar a 0,98 caso o conjunto de treino corresponda a 50% da amostra; no caso com
três classes a acurácia foi inferior (menor que 0,86). Este último resultado está relacionado a
similaridade entre duas das classes, dificultando a separação entre elas.
Também realizamos a classificação de gráficos da evolução do ângulo ressonante no tempo das
partículas do arco do anel G de Saturno. Nesse caso o conjunto foi amplo, contendo 18 mil
imagens. Foram desenvolvidos dois tipos de cenário, com duas classes (libração e circulação) e
três classes (libração, alternado e circulação). Alcançamos uma acurácia de até 0,99.
O desempenho variou conforme a quantia de épocas (número de vezes em que as camadas são
aplicadas), quanto maior a época maior o desempenho, havendo um limite de parada para o
aprendizado.
Resumo (inglês)
Nowadays in astronomy, it is increasing the number of produced images. The main objective
of this project was to implement and analyze Machine Learning methods to classify images
generated in orbit dynamic problems. ML is an area that seeks to automate processes through
computational methods, using the experience to improve performance or to make accurate
predictions. Among the methods of ML, we chose the CNN (Convolutional Neural Network)
which has the objective of analyzing and classifying images.
In order to verify the proposed feasibility, we made a preliminary analysis using dynamic
evolution orbital data of NEAS (Near Earth Asteroids), whose model of ML was built using the
Keras library of neural networks in Python.
In this case, our intention was to classify graphics that represented the eccentricity versus the
semi-major axis of the object’s orbit. We started from a set with 429 graphics and performed
tests grouping images into two or three categories. For the cases with two categories, it was
possible to obtain an accuracy higher than 0.9 using 30% of the images as a training set, where
the model could reach 0.98 accuracy if the training set corresponded to 50% of the sample: in
the case with three classes the accuracy was inferior (less than 0.86). This last result is related
to similarities between the two classes, making them difficult to separate.
We also perform the classification of graphics of the time evolution of the resonant angle of
Saturn’s G ring particles. In this case, the set was large, containing 18 thousand images. Two
scenarios were developed, with two classes (libration and circulation) and with three classes
(libration, alternating, and circulation). We reach an accuracy of up to 0.99.
The performance varied according to the number of epochs (number of times that the layers are
applied), the higher the epoch, the higher the performance, having a stop limit for learning.
Descrição
Idioma
Português