Deteção de incêndios florestais com recurso a Deep Learning e Visão Computacional

• Autor(a) principal: Alves, João Miguel Ribeiro
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10284/7058
• topic: Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

Nos países mediterrânicos do sul da Europa, os incêndios têm tendência a agravar-se devido às alterações climatéricas, resultado do aumento global da temperatura. Este trabalho apresenta um sistema de deteção automática de incêndios que procurar minimizar este problema ao permitir a sua deteção precoce. O sistema processa imagens de ambiente florestal e ´e capaz de detetar a presença de incendio em fase inicial, através do fumo ou das chamas. Permite também estimar a área em ignição para que se possa avaliar a sua dimensão. Foi desenvolvido com a finalidade de poder ser aplicado em camaras moveis, como em drones, e estáticas, como em torres de vigia. Foi utilizado um modelo de Deep Learning e um classificador de Machine Learning na tarefa de classificação das imagens, e técnicas de Visão Computacional no processo de deteção da área das chamas. Como modelo de Deep Learning, foi utilizada a Deep Convolutional Neural Network Inception-V3 para extrair descritores de uma imagem que, de seguida, são utilizados para treinar um classificador, o Logistic Regression. Em relação à Visão Computacional, são aplicadas técnicas de processamento da imagem ao nível da cor. De forma a perceber quais os tipos de situações que podem influenciar na tarefa de classificação, o dataset proposto é composto por imagens com metadados onde se encontram anotadas as características (e.g. chamas, fumo, nevoeiro, nuvens, elementos humanos,...) presentes em cada imagem. O sistema obteve uma precisão de classificação de 94.1% em cenários diurnos e de 94.8% em cenários noturnos. Apresenta uma boa precisão na estimação da área das chamas em comparação com outras abordagens na bibliografia, reduzindo o número de falsos positivos.