FenixEdu™

Dissertação

{pt_PT=Superpixels Segmentation and Interpretable Fuzzy Models for Fire Data Annotation} {} EVALUATED

Detalhes: {pt=Os incêndios florestais são catástrofes naturais bastante imprevisíveis que conseguem queimar grandes áreas florestais e destruir propriedades. A sua prevenção e deteção permitem diminuir a possibilidade de danos e a rápida mobilização de equipas de emergência. Deste modo, sistemas automáticos capazes de detetar fogos são cada vez mais importantes. O desenvolvimento deste tipo de técnicas necessita de um elevado número de dados de forma a garantirem bons resultados e serem fiáveis em cenários reais. No entanto, o número reduzido e a má qualidade de bases de dados disponíveis na literatura, e a falta de anotações dos mesmos impedem o desenvolvimento de técnicas automáticas. O objetivo deste trabalho, inserido no projeto Eye in the Sky (https://adai.pt/eyeinthesky/), é propor uma arquitetura baseada em segmentação e em modelos linguísticos interpretáveis capazes de gerar anotações relacionadas com incêndios florestais. O método tira proveito das características ricas das cores do fogo em duas etapas diferentes, segmentação e classificação. A primeira está relacionada com gerar os superpixels e agregá-los em regiões com base nas cores do fogo no espaço de cores de YCbCr. Subsequentemente, a classificação de cada região é realizada através de modelos interpretáveis baseados nos espaços de cores HSL e YCbCr, os quais permitem gerar uma segmentação do fogo e anotações semânticas das cores do fogo. Para além disso, este método permite ajustar certos parâmetros de forma a melhorar os resultados. A técnica proposta é avaliada em diferentes contextos reais através de uma base de dados disponível publicamente., en=Wildfires are natural disasters that can be quite unpredictable, burning large areas of forests and destroying properties. Fire detection and early prevention enable a faster reaction from emergency teams and to decrease the possibility of fire damage. Therefore, automatic systems capable of detecting fires are increasingly important. Their development requires a high number of data in order to guarantee good performances and be reliable in real scenarios. However, the low number and poor quality of available datasets in the literature, and the lack of annotations hamper the development of such automatic techniques. The objective of this work, developed in the framework of project Eye in the Sky (https://adai.pt/eyeinthesky/), is to propose an architecture based on segmentation and interpretable linguistic models capable of generating wildfire annotations. The proposed approach takes advantage of rich color features representative of fire in two different stages, segmentation and classification. The first one is related to generating superpixels and aggregating these into regions based on the representation of fire colors in the YCbCr color space. Subsequently, the classification of each region is achieved using interpretable rule-base models based on the HSL and YCbCr color spaces, which generates a pixel-wise fire segmentation and the semantic annotations of the fire colors. Furthermore, this method allows certain fine-tunable parameters in order to improve its overall results. The proposed approach is evaluated in different real contexts using a publicly available database.}
Keywords: {pt=deteção de fogo, espaço de cores HSL, espaço de cores YCbCr, superpíxel, modelos linguísticos interpretáveis, anotações de dados de fogo, en=fire detection, HSL color space, YCbCr color space, superpixel, interpretable linguistic models, fire data annotations}

Discussão: janeiro 20, 2021, 11:0