Dissertação

{pt_PT=Deteção de minas em imagens multi-espectrais} {} EVALUATED

{pt=Este trabalho explora a deteção de minas terrestres usando imagens multi-espetrais adquiridas em contexto militar. As condições em que as imagens são obtidas influenciam diretamente os métodos usados para realizar a deteção automática de minas terrestres através de técnicas de processamento de imagens. Duas metodologias são propostas, uma usando classificadores tradicionais e outra utilizando métodos de aprendizagem profunda, nomeadamente, uma Rede Neuronal Convolucional (CNN). Na primeira metodologia, as técnicas de fusão de classificadores também são usadas para entender as suas potencialidades. O desempenho foi avaliado de acordo com o número de características, do tipo de minas, o ambiente e a profundidade da mina. Na CNN, foi realizado um estudo em função do mapa de características, do tipo de minas terrestres e do meio. Uma análise quantitativa mostra que o uso de classificadores tradicionais dá uma precisão geral acima de 97% em ambientes internos e externos, até uma determinada profundidade testada. Foi demonstrado que a robustez de alguns classificadores, quando expostos a padrões específicos (ou seja, apenas minas enterradas), tem um desempenho reduzido, no entanto, a fusão de classificadores é constante, 97,9% para 0 [mm] e 96,0% para 1-50 [mm], suprimindo esse facto. Os métodos de aprendizagem profunda adotados apresentam um aumento desses valores para as minas maiores e uma diminuição para as menores. Esses resultados experimentais esclarecem os fatores que influenciam a deteção de minas e os méritos e deméritos da classificação baseada na CNN em comparação com os métodos clássicos. , en=This thesis explores the detection of landmines using multispectral images acquired in military context. The conditions in which the images are obtained have a direct influence on the methods used to perform the automatic detection of landmines through image processing techniques. Two methods are proposed, one using traditional classifiers and the other using Deep Learning methods, namely a Convolutional Neuronal Network (CNN). In the first methodology, classifier fusion techniques are also used to understand their potentialities. The performance was evaluated according to the number of features the type of landmine, the environment and the depth of the mine. In deep learning, a study was carried out according to the feature map and regarding the type of landmine and the environment. A quantitative analysis shows that using traditional classifiers gives overall accuracy (OA) above 97% in indoor and outdoor environments for the detection of land mines up to a given depth tested. It has been shown that the robustness of some classifiers, when exposed to specific standards (ie. only buried mines), has a decreased performance, however, the fusion of classifiers is constant, 97.9% for 0 [mm] and 96.0% for 1- 50 [mm], suppressing this fact. The adopted deep learning methods present an increase in these values for larger mines and a decrease for smaller ones. These experimental results shed light into the factors that influence the detection of mines and into the merits and demerits of CNN based classification compared with classical methods. }
{pt=minas terrestres, deteção, combinação classificadores, aprendizagem profunda, Rede Neuronal Convolucional, en=landmine, detection, classifier combination, deep learning, Convolutional Neuronal Network}

Dezembro 13, 2018, 14:0

Orientação

ORIENTADOR

José Manuel Bioucas Dias

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado

ORIENTADOR

José Silvestre Serra da Silva

Academia Militar

Professor Auxiliar