Segmentação de imagens de zonas urbanas em espaços florestais

• Autor(a) principal: Dinis, Diogo Alexandre Ferreira
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10071/26901
• topic: Segmentação de imagem; Incêndios florestais; Visão computacional -- Computer vision; Rede neuronal convolucional - -- Convolutional neural network (CNN or ConvNet); Image segmentation; Wildfires

Os incêndios florestais são das catástrofes naturais mais graves, não apenas pela frequência com que estes acontecem e dimensão que alcançam, como também pelos efeitos devastadores económicos e ambientais. Nos últimos anos, Portugal não tem tido a capacidade de travar eficazmente estes fenómenos naturais. Torna-se por isso necessário concentrar esforços na prevenção e na deteção, de forma que se consiga uma ação mais rápida sobre os focos de incêndios florestais assim que estes emergem. O INOV (Instituto de Engenharia de Sistemas e Computadores Inovação) desenvolveu um sistema de televigilância – CICLOPE – para monitorização de incêndios florestais através de torres de videovigilância que recolhem imagens. Entre as funcionalidades implementadas, existe um sistema responsável pela deteção automática de incêndios. Contudo, para esse sistema funcionar corretamente, as imagens recolhidas necessitam de estar devidamente segmentadas entre espaços florestais e zonas urbanas. Esta segmentação é realizada manualmente pelos profissionais do INOV, sendo um processo longo e suscetível a erros. Com o intuito de automatizar o processo de segmentação, nesta dissertação foi elaborada uma base de dados recorrendo às imagens fornecidas pelo INOV. Após a análise dos dados obtidos foram estudadas várias abordagens de segmentação, sendo selecionadas três que melhor se adequavam ao problema. As abordagens selecionadas foram, thresholding, K-Means e a arquitetura DeepLabv3, sendo as últimas duas referentes à vertente de aprendizagem automática. Após uma comparação dos resultados dos três modelos estudados, a arquitetura DeepLabv3 exibiu o melhor resultado, apresentando os valores médios de Intersection over Union e Dice Coefficient 0,51 e 0,78, respetivamente.