{"id":2775,"date":"2020-12-07T19:07:02","date_gmt":"2020-12-07T22:07:02","guid":{"rendered":"https:\/\/pixforce.ai\/?p=2775"},"modified":"2023-09-02T19:10:51","modified_gmt":"2023-09-02T22:10:51","slug":"segmentacao-de-manchas-de-oleo-utilizando-rede-profunda-nao-supervisionada","status":"publish","type":"post","link":"https:\/\/pixforce.com\/pt-br\/segmentacao-de-manchas-de-oleo-utilizando-rede-profunda-nao-supervisionada\/","title":{"rendered":"Segmenta\u00e7\u00e3o de manchas de \u00f3leo utilizando rede profunda n\u00e3o supervisionada"},"content":{"rendered":"<p><em>(Cr\u00e9dito da foto: RGB Ventures \/ SuperStock \/ Alamy Stock Photo)<\/em><\/p>\n<h2>Vazamento de \u00f3leo: um problema real<\/h2>\n<p>Derramamentos de \u00f3leo s\u00e3o um problema recorrente e de graves consequ\u00eancias em ambientes marinhos, resultando em grandes mortandades de animais nas regi\u00f5es afetadas. Geralmente originados em navios e plataformas de extra\u00e7\u00e3o, os vazamentos t\u00eam sua regi\u00e3o expandida gra\u00e7as \u00e0s correntes mar\u00edtimas e ao movimento das ondas, podendo chegar a centenas de quil\u00f4metros de extens\u00e3o.<\/p>\n<p>Neste contexto, a identifica\u00e7\u00e3o de vazamentos em seu est\u00e1gio inicial \u00e9 um fator de extrema import\u00e2ncia, tanto para mitigar danos ambientais quanto para reduzir os preju\u00edzos financeiros causados pelo incidente. T\u00e9cnicas de vis\u00e3o computacional, como redes de aprendizado profundo, podem ser aplicadas na tarefa de identificar e delimitar manchas de \u00f3leo em est\u00e1gios iniciais com alta confiabilidade.<\/p>\n<p>Com este prop\u00f3sito, o modelo desenvolvido consistiu na obten\u00e7\u00e3o de imagens t\u00e9rmicas em uma superf\u00edcie l\u00edquida e na delimita\u00e7\u00e3o da regi\u00e3o que cont\u00e9m o \u00f3leo derramado. Devido \u00e0 dificuldade em se obter imagens de um cen\u00e1rio real (controle ambiental e altos custos de opera\u00e7\u00e3o em alto mar), um ambiente controlado foi elaborado para a aquisi\u00e7\u00e3o das imagens.<\/p>\n<h2>Como o modelo funciona?<\/h2>\n<p>O ambiente projetado \u00e9 composto por:<\/p>\n<ul>\n<li>Um tanque de dimens\u00f5es 10m X 6.5m com \u00e1rea observ\u00e1vel de 5.1m X 3m a partir do centro do tanque.<\/li>\n<li>Uma c\u00e2mera termal FLIR Vue Pro R, conectada ao m\u00f3dulo de captura TeAx Thermal Capture Grabber OEM, posicionada na borda do tanque com uma inclina\u00e7\u00e3o de 35\u00ba.<\/li>\n<\/ul>\n<blockquote><p>Para este experimento, o volume de \u00f3leo dispersado foi de 200mL.<\/p><\/blockquote>\n<p>A partir da aquisi\u00e7\u00e3o das imagens, a rede U-NET \u00e9 utilizada para delimitar a regi\u00e3o que cont\u00e9m o \u00f3leo dispersado. A U-NET \u00e9 uma rede n\u00e3o supervisionada pr\u00f3pria para a tarefa de segmenta\u00e7\u00e3o de imagens, sendo, por meio de sua estrutura hier\u00e1rquica, poss\u00edvel identificar quais pixels de uma imagem desde experimento correspondem \u00e0 regi\u00e3o de \u00f3leo ou \u00e0 regi\u00e3o de \u00e1gua.<\/p>\n<p>Apesar de ser uma rede muito aplicada a este tipo de tarefa, n\u00e3o h\u00e1 relatos na literatura de sua aplicabilidade no cen\u00e1rio de segmenta\u00e7\u00e3o de manchas de \u00f3leo. Durante o treinamento da rede foram utilizadas 141 imagens durante 113 \u00e9pocas. Para validar a efici\u00eancia do modelo proposto foram utilizadas 50 imagens de teste. Todas as imagens tiveram seu ground truth realizado manualmente.<\/p>\n<h2>Resultados<\/h2>\n<p>As m\u00e9tricas utilizadas foram <strong>Acur\u00e1cia<\/strong>, <strong>Precis\u00e3o<\/strong>, <strong>Revoca\u00e7\u00e3o<\/strong> e <strong>F1-Score<\/strong>. De acordo com a sa\u00edda da rede e as m\u00e9tricas aplicadas, a performance do modelo resultou em 0.85 de acur\u00e1cia, 1.0 de precis\u00e3o, 0.85 de revoca\u00e7\u00e3o e aproximadamente 0.92 para F1-Score, sendo o intervalo de valores contido em [0,1].<\/p>\n<p>Baseando-se nestes resultados \u00e9 observ\u00e1vel que o modelo se comporta com alta performance, sendo as m\u00e9tricas escolhidas apropriadas para tarefas de segmenta\u00e7\u00e3o. Adicionalmente, por se tratar de um m\u00e9todo com aprendizado profundo, a quantidade de \u00e9pocas e o tamanho do conjunto de treinamento foram suficientes para proporcionar converg\u00eancia \u00e0 rede, sendo caracterizada a sua capacidade de generaliza\u00e7\u00e3o do conjunto de treinamento para os dados n\u00e3o vistos (testes).<\/p>\n<p>Como uma poss\u00edvel expans\u00e3o desta metodologia e confirma\u00e7\u00e3o destes resultados, pode ser citada a possibilidade de modificar o \u00f3leo utilizado para simular o derramamento, adicionando \u00f3leos de densidades e tonalidades diferentes, assim como alternar o posicionamento das c\u00e2meras para uma maior generaliza\u00e7\u00e3o do modelo desenvolvido.<\/p>\n<p>Artigo pelos t\u00e9cnicos da <a href=\"http:\/\/www.pixforce.com.br\/\">Pix Force<\/a>: Rodrigo Johann, T\u00e1rsio Onofrio Cardoso da Silva, Matheus de Oliveira Ara\u00fajo, Caio Cesar Teodoro Mendes, Luis Felipe Zeni e Bruno Vernochi da Concei\u00e7\u00e3o.<\/p>\n<p>Projeto <a href=\"https:\/\/pixforce.com.br\/vazamento-de-oleo-pix-force\/\">desenvolvido pela Pix Force<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>(Cr\u00e9dito da foto: RGB Ventures \/ SuperStock \/ Alamy Stock Photo) Vazamento de \u00f3leo: um problema real Derramamentos de \u00f3leo s\u00e3o um problema recorrente e de graves consequ\u00eancias em ambientes marinhos, resultando em grandes mortandades de animais nas regi\u00f5es afetadas. Geralmente originados em navios e plataformas de extra\u00e7\u00e3o, os vazamentos t\u00eam sua regi\u00e3o expandida gra\u00e7as [&hellip;]<\/p>\n","protected":false},"author":29,"featured_media":2778,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"content-type":"","_external_link":"","footnotes":""},"categories":[1],"tags":[],"class_list":["post-2775","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticias"],"_links":{"self":[{"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/posts\/2775","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/users\/29"}],"replies":[{"embeddable":true,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/comments?post=2775"}],"version-history":[{"count":0,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/posts\/2775\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/media\/2778"}],"wp:attachment":[{"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/media?parent=2775"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/categories?post=2775"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/tags?post=2775"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}