FenixEdu™

Dissertação

{en_GB=Analysis of Planetary Surfaces: Crater Detection} {} EVALUATED

Detalhes: {pt=As crateras de impacto podem ser encontradas em todos os corpos telúricos do Sistema Solar, sendo a característica geomórfica planetária mais estudada pois permitem entender muitos processos geológicos tais como a idade da superfície de um planeta. Até aos dias de hoje não existem catálogos para crateras da superfície de Marte com diâmetro inferior a 1km. Como existe um grande número de crateras destas dimensões, a sua detecção manual é impraticável, exigindo uma abordagem automática. Propõe-se um método automático para detecção de crateras baseado na criação e treino de uma arquitectura de deep learning, uma rede neuronal de convolução (CNN). Desde a criação de um conjunto de treino consistente, definição de arquitectura da rede até ao treino da rede, são tarefas muito desafiantes. A rede treinada é posteriormente utilizada para a detecção de crateras em múltiplas escalas, pré definidas de 200m a 800m de diâmetro. Será utilizada a técnica de janela deslizante para percorrer uma imagem nas diferentes escalas e, para cada uma delas, as imagens obtidas são enviadas para a CNN que as irá classificar como crateras, ou não crateras. Após processamento de todas as escalas, será utilizada supressão de pontos não máximos seguido pelo método de agrupamento de ligação simples para agrupar as respostas da rede, para cada escala. De seguida, como várias crateras são detectadas em mais que uma escala, foi utilizado outro método de clustering, k-means, de forma a identificar o tamanho e posição de cada cratera detectada e obter uma resposta final para o sistema., en=Impact craters can be found on all telluric bodies of the Solar System being the most studied geomor- phic planetary pattern because they provide a cue to understand geological processes like the age of a planet surface. Until now, there are no catalog for craters with a diameter less than 1km from the surface of Mars. As there are a large number of craters of these sizes, their manual detection is impractical, requiring an automatic detection approach. An automatic crater recognition method is proposed based on the creation and training of a deep learning architecture, a convolutional neural network. From creating a consistent dataset, definition of the network’s architecture to training the network, the challenges are appealing. Moreover, the trained network is used to detect craters at multiple scales, with pre-defined scales that range from 200m to 800m diameter, as these craters are not yet registered in the published catalogs. A sliding window technique will be used to scan an image at the different scales defined and for each one, the output images are sent to the CNN created and classified as crater, or not. After processing all scales, it was used non maximum suppression followed by a single link clustering to cluster the answer from the network for each scale, individually. In sequence, as there are several craters detected in more than one scale, another clustering method was used to identify the size and position of each crater detected, and achieve a final response for the system.}
Keywords: {pt=Crateras de Impacto, Rede Neuronal de Convolução, Detecção Automática de Crateras, Treino da Rede, Janela deslizante, Clustering, en=Impact Craters, Convolutional Neural Network, Automatic Crater Recognition, Train- ing the Network, Sliding Window, Clustering}

Discussão: julho 8, 2019, 10:0