(Crédito da foto: RGB Ventures / SuperStock / Alamy Stock Photo)
Conteúdo
Vazamento de óleo: um problema real
Derramamentos de óleo são um problema recorrente e de graves consequências em ambientes marinhos, resultando em grandes mortandades de animais nas regiões afetadas. Geralmente originados em navios e plataformas de extração, os vazamentos têm sua região expandida graças às correntes marítimas e ao movimento das ondas, podendo chegar a centenas de quilômetros de extensão.
Neste contexto, a identificação de vazamentos em seu estágio inicial é um fator de extrema importância, tanto para mitigar danos ambientais quanto para reduzir os prejuízos financeiros causados pelo incidente. Técnicas de visão computacional, como redes de aprendizado profundo, podem ser aplicadas na tarefa de identificar e delimitar manchas de óleo em estágios iniciais com alta confiabilidade.
Com este propósito, o modelo desenvolvido consistiu na obtenção de imagens térmicas em uma superfície líquida e na delimitação da região que contém o óleo derramado. Devido à dificuldade em se obter imagens de um cenário real (controle ambiental e altos custos de operação em alto mar), um ambiente controlado foi elaborado para a aquisição das imagens.
Como o modelo funciona?
O ambiente projetado é composto por:
- Um tanque de dimensões 10m X 6.5m com área observável de 5.1m X 3m a partir do centro do tanque.
- Uma câmera termal FLIR Vue Pro R, conectada ao módulo de captura TeAx Thermal Capture Grabber OEM, posicionada na borda do tanque com uma inclinação de 35º.
Para este experimento, o volume de óleo dispersado foi de 200mL.
A partir da aquisição das imagens, a rede U-NET é utilizada para delimitar a região que contém o óleo dispersado. A U-NET é uma rede não supervisionada própria para a tarefa de segmentação de imagens, sendo, por meio de sua estrutura hierárquica, possível identificar quais pixels de uma imagem desde experimento correspondem à região de óleo ou à região de água.
Apesar de ser uma rede muito aplicada a este tipo de tarefa, não há relatos na literatura de sua aplicabilidade no cenário de segmentação de manchas de óleo. Durante o treinamento da rede foram utilizadas 141 imagens durante 113 épocas. Para validar a eficiência do modelo proposto foram utilizadas 50 imagens de teste. Todas as imagens tiveram seu ground truth realizado manualmente.
Resultados
As métricas utilizadas foram Acurácia, Precisão, Revocação e F1-Score. De acordo com a saída da rede e as métricas aplicadas, a performance do modelo resultou em 0.85 de acurácia, 1.0 de precisão, 0.85 de revocação e aproximadamente 0.92 para F1-Score, sendo o intervalo de valores contido em [0,1].
Baseando-se nestes resultados é observável que o modelo se comporta com alta performance, sendo as métricas escolhidas apropriadas para tarefas de segmentação. Adicionalmente, por se tratar de um método com aprendizado profundo, a quantidade de épocas e o tamanho do conjunto de treinamento foram suficientes para proporcionar convergência à rede, sendo caracterizada a sua capacidade de generalização do conjunto de treinamento para os dados não vistos (testes).
Como uma possível expansão desta metodologia e confirmação destes resultados, pode ser citada a possibilidade de modificar o óleo utilizado para simular o derramamento, adicionando óleos de densidades e tonalidades diferentes, assim como alternar o posicionamento das câmeras para uma maior generalização do modelo desenvolvido.
Artigo pelos técnicos da Pix Force: Rodrigo Johann, Társio Onofrio Cardoso da Silva, Matheus de Oliveira Araújo, Caio Cesar Teodoro Mendes, Luis Felipe Zeni e Bruno Vernochi da Conceição.
Projeto desenvolvido pela Pix Force.
