Defesa de mestrado do discente Fernando Duarte, dia 28/07 as 14:00.

Defesa de mestrado do discente Fernando Duarte, dia 28/07 as 14:00.

Título: DETECÇÃO DE SOLOS CONTAMINADOS: UMA PROPOSTA UTILIZANDO APRENDIZADO DE MÁQUINA EM IMAGENS HIPERESPECTRAIS

Resumo: Sensoriamento remoto em locais onde podem ocorrer contaminação de solo por meio de óleos brutos, podem ganhar um reforço com processos ágeis e não destrutivos de caracterização dos compostos. Há interesse em mapear solos em busca de vazamento de óleo por empresas que querem minimizar a perda de matéria-prima e a contaminação do meio ambiente. A identificação da composição de contaminantes e solos é comumente realizada por métodos tradicionais em laboratório, tais métodos são precisos, invasivos e demandam de conhecimento técnico e equipamentos para análise. Métodos que utilizam imagens espectrais são não invasivos, rápidos e podem ser realizados em campo ou laboratório. O objetivo deste estudo é desenvolver uma abordagem de teste de solo econômica, rápida, não invasiva e autônoma, utilizando dados coletados através da espectroscopia de ondas infravermelhas que alimenta nossos modelos Machine Learning na identificação de solos crus e contaminados por óleos (petróleo bruto) identificando o solo, o contaminante e a concentração. A biblioteca de dados hiperespectrais alimenta o desenvolvimento de um algoritmos de aprendizagem de máquina, a fim de classificar solos, óleos e suas concentrações. Assim, automatizando o mapeamento de infiltrações e vazamentos em terra. Propomos três fluxos de aprendizado com modelos Random Forest que apresentam resultados de desempenho próximo. Os testes foram realizados utilizando três diferentes tipos de dados, que indicam o maior benefício de desempenho quando utiliza-se os dados filtrados com o método contínuo removido (espectro normalizado) na identificação de solos e contaminantes. Na identificação da concentração os dados filtrados da média apresentaram melhor resultado. Os resultados dos testes do fluxo de aprendizado dependente, indicam taxa de acerto média de 98% na classificação dos solos, 94% na classificação dos contaminantes e 93% na classificação das concentrações. Outras métricas como F1-Score, Recall e Precision apresentam resultados específicos de cada rótulo, evidenciando o desempenho dos classificadores ao identificá-los. O desempenho dos fluxos de aprendizado manifestaram resultados constantes, com baixa variância e dispersão e taxas de acerto acima de 93% no geral. Os resultados apresentados, sugerem que a tecnologia tem grande potencial de uso no monitoramento ambiental de solos, ao longo de dutos e refinarias à procura de vazamentos.

Banca: Prof. Dr. Jefferson Rodrigo de Souza - UFU; Profa. Dra. Rosa Elvira Correa Pabón - ITV; Profa. Dra. Andrea Gomes Campos Bianchi - DECOM/UFOP; Prof. Dr. Gustavo Pessin - DECOM/UFOP/ITV

Data: 28/07/2021 Horário: 14h

Link da videochamada: https://meet.google.com/kyr-vnqg-qqf

Artigo publicado:

Contaminated Soil Detection: A Proposal Using Machine Learning and Hyperspectral Imaging | SpringerLink