A carregar...
Publicação
Accurate rural road network data in wildfires emergency response
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 7.86 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Currently, many regions of the world suffer from fire problems that cause devastation
in ecosystems. It is recognized that firefighters face significant challenges when fighting
advanced stage fires, highlighting the importance of detecting them early. Therefore, it
is essential to create a way to make it faster and more effective for firefighters to go from
alert to the scene of the fire.
To achieve this goal, the project uses deep learning algorithms to develop an auto-
mated mechanism for detecting rural roads from aerial images. The system developed is
divided into a segmentation model that detects rural roads and a post-processing with
the aim of improving results. For the segmentation task, four architectures (VGG16 U-
Net, VGG19-UNet, ResNet50 U-Net and MobileNet U-Net) were developed, from which
various combinations of hyperparameters and analysis were made before and after data
augmentation. The second task consisted of developing two different post-processing
methods, one of them removes all connected components that have an area smaller than
a defined threshold. The second post-processing method aims to join roads that were not
segmented due to occlusions due to trees and shadows.
There were significant improvements after data augmentation and some of the models
showed improvements after post-processing. The best results were 85.1% precision, 81.9%
recall and 71.7% jaccard. The remaining models presented similar values compared to
the best. In some cases, post-processing improved the results, although there were no
significant percentage improvements in the calculation of the metrics. Only MobileNet
U-Net is the one that presents significant improvements in post-processing, increasing
1.5% in precision, 0.4% in recall and 1.2% in jaccard metrics. Therefore, it is concluded that
the results obtained demonstrate the viability of the solution presented to the problem
associated with the need for an updated rural road network.
Atualmente, muitas regiões mundiais sofrem com problemas a nível de incêndios que causam devastação em ecossistemas. Reconhece-se que os bombeiros enfrentam desafios significativos ao combater incêndios em estágios avançados, destacando a importância de detectá-los precocemente. Desta forma, é essencial criar uma maneira para tornar mais rápido e eficaz o trabalho dos bombeiros desde o alerta até ao local do incêndio. Para atingir esse objetivo, o projeto utiliza algoritmos de deep learning para desenvolver um mecanismo automatizado de detecção de estradas rurais a partir de imagens aéreas. O sistema desenvolvido é dividido num modelo de segmentação que deteta as estradas rurais e de algoritmos de pós processamento com o objetivo de melhorar os resultados. Para a tarefa de segmentação, foram desenvolvidas quatro arquiteturas (VGG16 U-Net, VGG19- UNet, ResNet50 U-Net e MobileNet U-Net), das quais foram feitas várias combinações de hiperparâmetros e a análise antes e depois do aumento artificial da base de dados. A segunda tarefa consistiu em desenvolver dois métodos de pós processamento diferentes, um deles remove todos os componentes conexos que têm uma área inferior a um threshold definido. Já, o segundo método de pós processamento visa a união de estradas que não foram segmentadas devido a oclusões por árvores e sombras. Houve melhorias significativas após o aumento artificial da base de dados e alguns dos modelos apresentaram melhorias depois do pós processamento. O melhor modelo apresentou valores de 85.1% de precisão (precision), 81.9% de revocação (recall) e 71.7% de interseção sobre união (jaccard). Os restantes modelos apresentaram valores semelhantes. Em alguns casos o pós processamento ajudou muito, apesar de não haver melhorias significativas no cálculo das métricas. Apenas a MobileNet U-Net é a que apresenta melhorias significativas no pós processamento, aumentou 1.5%, 0.4% e 1.2% precision, recall e jaccard, respetivamente. Assim, conclui-se que os resultados obtidos demonstram a viabilidade da solução apresentada para a problemática associada à necessidade de uma rede de estradas rurais atualizada.
Atualmente, muitas regiões mundiais sofrem com problemas a nível de incêndios que causam devastação em ecossistemas. Reconhece-se que os bombeiros enfrentam desafios significativos ao combater incêndios em estágios avançados, destacando a importância de detectá-los precocemente. Desta forma, é essencial criar uma maneira para tornar mais rápido e eficaz o trabalho dos bombeiros desde o alerta até ao local do incêndio. Para atingir esse objetivo, o projeto utiliza algoritmos de deep learning para desenvolver um mecanismo automatizado de detecção de estradas rurais a partir de imagens aéreas. O sistema desenvolvido é dividido num modelo de segmentação que deteta as estradas rurais e de algoritmos de pós processamento com o objetivo de melhorar os resultados. Para a tarefa de segmentação, foram desenvolvidas quatro arquiteturas (VGG16 U-Net, VGG19- UNet, ResNet50 U-Net e MobileNet U-Net), das quais foram feitas várias combinações de hiperparâmetros e a análise antes e depois do aumento artificial da base de dados. A segunda tarefa consistiu em desenvolver dois métodos de pós processamento diferentes, um deles remove todos os componentes conexos que têm uma área inferior a um threshold definido. Já, o segundo método de pós processamento visa a união de estradas que não foram segmentadas devido a oclusões por árvores e sombras. Houve melhorias significativas após o aumento artificial da base de dados e alguns dos modelos apresentaram melhorias depois do pós processamento. O melhor modelo apresentou valores de 85.1% de precisão (precision), 81.9% de revocação (recall) e 71.7% de interseção sobre união (jaccard). Os restantes modelos apresentaram valores semelhantes. Em alguns casos o pós processamento ajudou muito, apesar de não haver melhorias significativas no cálculo das métricas. Apenas a MobileNet U-Net é a que apresenta melhorias significativas no pós processamento, aumentou 1.5%, 0.4% e 1.2% precision, recall e jaccard, respetivamente. Assim, conclui-se que os resultados obtidos demonstram a viabilidade da solução apresentada para a problemática associada à necessidade de uma rede de estradas rurais atualizada.
Descrição
Palavras-chave
Machine Learning Deep Learning Convolutional Neural Networks Segmentation Wildfires Rural Roads