Publication
Visão Computacional Geoespacial aplicada à deteção de Pedreiras
| dc.contributor.advisor | Rodrigues, Maria de Fátima Coutinho | |
| dc.contributor.author | Andrade, Tiago Hélder Azevedo | |
| dc.date.accessioned | 2022-07-28T14:16:02Z | |
| dc.date.available | 2022-07-28T14:16:02Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | A exploração de massas minerais e pedreiras pode, por vezes, causar instabilidade no terreno próximo, aumentando o risco para a segurança pública. Para mitigar esses riscos, a Infraestruturas de Portugal faz inspeções a estes locais. Pretende-se perceber, com base num conjunto de imagens aéreas, previamente fornecido, quais as pedreiras que estão mais próximas de vias de acesso. Neste sentido foram analisadas as abordagens mais comuns para problemas de Visão Computacional, explorando algoritmos baseados em Redes Neuronais Convolucionais. Foram analisadas as diferenças entre a deteção de objetos One-Stage e Two-Stage. Implementou-se a solução proposta de acordo com as características do conjunto de dados. Delinearam-se ainda as estratégias para avaliar a solução. Dos modelos testados, aquele que melhor se adequa ao problema é o modleo U-net com backbone Resnet34 apresentado 94% de Intersection over Union e aproximadamente 95% de accuracy. | pt_PT |
| dc.description.abstract | The exploration of mineral masses and quarries can sometimes cause instability in closeby terrain, increasing the risk to public safety. To mitigate these risks, Infraestruturas de Portugal inspects these locations. The goal is to understand, based on a set of aerial images, previously provided, which quarries are closest to access roads. In this sense, the most common approaches to Computer Vision problems were analyzed, exploring algorithms based on Convolutional Neural Networks. Differences between One-Stage and Two-Stage object detetcions were analyzed. The proposed solution was implemented according to the characteristics of the dataset. Strategies to evaluate the solution were also outlined. Of the tested models, the one that best fits the problem is the U-net model with backbone Resnet34 presenting 94% of Intersection over Union and approximately 95% of accuracy. | pt_PT |
| dc.identifier.tid | 203042115 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.22/20736 | |
| dc.language.iso | por | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | pt_PT |
| dc.subject | Visão Computacional | pt_PT |
| dc.subject | Inteligência Artificial | pt_PT |
| dc.subject | Imagens Aeroespaciais | pt_PT |
| dc.subject | Pedreiras | pt_PT |
| dc.title | Visão Computacional Geoespacial aplicada à deteção de Pedreiras | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Informática - Sistemas de Informação e Conhecimento | pt_PT |