Gestão de Florestas Urbanas em Tempo Real Utilizando Aprendizado de Máquina

• Processo: 19/18287-0
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de outubro de 2019
• Data de Término da vigência: 30 de setembro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: João Paulo Papa
• Beneficiário: Danilo Samuel Jodas
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Vinculado ao auxílio: 17/50343-2 - Plano de desenvolvimento institucional na área de transformação digital: manufatura avançada e cidades inteligentes e sustentáveis (PDIp), AP.PDIP
• Assunto(s): Aprendizado computacional Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: Aprendizado em Profundidade | Reconhecimento de Padrões | Aprendizado de máquina

Resumo

No contexto de um mundo mais sustentável e de soluções direcionadas para o desenvolvimento de cidades inteligentes, o monitoramento de recursos ambientais surge como um tópico relevante para reduzir a poluição ambiental e otimizar o uso dos recursos naturais. O monitoramento urbano em tempo real e a análise da mortalidade de árvores, por exemplo, são essenciais para avaliar possíveis desmatamentos ou degradação de áreas florestais urbanas.A presente linha de pesquisa almeja o desenvolvimento de uma ferramenta de gestão de florestas urbanas em tempo real para apoiar a tomada de decisão dos gestores e consequentemente permitir aos municípios oferecer melhor qualidade de vida à população. A proposta se enquadra no tema cidades inteligentes e sustentáveis com foco em cidades que não tenham árvores e áreas verdes em condições urbanas adequadas, sendo imprescindível a gestão adequada dessas florestas urbanas, trazendo como benefícios a redução do risco de queda de árvores e melhorias para a cidade e população por meio do aproveitamento das funções das áreas verdes e fragmentos florestais (como por exemplo, redução da inundação, preservação de fauna, redução dos níveis de poluentes atmosféricos).O foco estará no uso de aprendizado de máquina para a detecção e segmentação de características visuais em imagens que sejam correlacionadas com o risco de queda de árvores em ambiente urbano. Tais imagens poderão ser tanto aéreas, obtidas com a ajuda de UAVs (Unmanned Aerial Vehicles), ou locais, obtidas com câmeras portáteis. Os métodos de diagnóstico utilizados atualmente inviabilizam a gestão de florestas urbanas em tempo real, pelo tempo demandado e empenho de equipes especializadas. Portanto, esta pesquisa contribuirá para a automatização do diagnóstico de áreas florestais urbanas, permitindo que essa análise seja realizada em tempo real por meio do uso de imagens.Este projeto fará o uso de aprendizado de máquina supervisionado dando atenção especial a uma série de modelos e técnicas conhecidos como Deep Learning, que atualmente representam o estado da arte em processamento e análise de imagens. Por se tratar de aprendizado supervisionado, será necessária a criação de uma base de imagens onde as regiões de interesse serão anotadas manualmente. Uma vez definidas as características visuais alvo e feita a criação de uma base de dados de treinamento, serão treinadas redes neurais convolucionais (do inglês, convolutional neural networks) para realizar a detecção/segmentação das características definidas.Em termos de arquiteturas de redes neurais convolucionais, vários modelos serão avaliados com o objetivo de definir uma arquitetura otimizada e precisa para a identificação dos objetos de interesse. Serão avaliadas as arquiteturas U-Net, Faster R-CNN e You Only Look Once (YOLO) para a geração das regiões candidatas que posteriormente serão classificadas. Uma importante distinção deve ser feita entre as tarefas de detecção de instâncias/objetos e segmentação semântica. Na tarefa de segmentação semântica cada elemento da imagem (pixel) tem sua própria classe, enquanto que na detecção de objetos a classe é determinada por conjunto de pixels. Por exemplo, caso a característica visual alvo seja "folha de coloração anormal", uma rede de detecção detecta cada folha separadamente, enquanto que uma rede de segmentação irá classificar cada pixel da imagem em "folha de coloração anormal" ou "fundo/outro". A escolha das arquiteturas será feita com base no volume de dados, hardware disponível e acurácia almejada. Para a tarefa de segmentação pretende-se avaliar a arquitetura U-Net para a identificação dos objetos com base na segmentação semântica dos pixels da imagem, enquanto que as arquiteturas Faster R-CNN e YOLO serão utilizadas para a detecção de instâncias. Além disso, serão avaliadas as arquiteturas tradicionais utilizadas para a classificação de objetos, tais como Alex Net e VGGNet, para a classificação dos objetos detectados.

Publicações científicas

(8)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

PASSOS, LEANDRO APARECIDO S.; JODAS, DANILO S.; RIBEIRO, LUIZ C. F.; AKIO, MARCO; DE SOUZA, ANDRE NUNES; PAPA, JOAO PAULO. Handling imbalanced datasets through Optimum-Path Forest. KNOWLEDGE-BASED SYSTEMS, v. 242, p. 13-pg., 2022-04-22. (18/21934-5, 14/12236-1, 20/12101-0, 19/18287-0, 19/07665-4, 17/02286-0, 13/07375-0)

JODAS, DANILO SAMUEL; PASSOS, LEANDRO APARECIDO; ADEEL, AHSAN; PAPA, JOAO PAULO; IEEE. PL-kNN: A Parameterless Nearest Neighbors Classifier. 2022 29TH INTERNATIONAL CONFERENCE ON SYSTEMS, SIGNALS AND IMAGE PROCESSING (IWSSIP), v. N/A, p. 4-pg., 2022-01-01. (14/12236-1, 19/07665-4, 17/02286-0, 19/18287-0, 18/21934-5)

JODAS, DANILO SAMUEL; PASSOS, LEANDRO APARECIDO; VELASCO, GIULIANA DEL NERO; LONGO, MARIANA HORTELANI CARNESECA; MACHADO, ALINE RIBEIRO; PAPA, JOAO PAULO; DECARVALHO, BM; GONCALVES, LMG. Multiclass Oversampling via Optimum-Path Forest for Tree Species Classification from Street-view Perspectives. 2022 35TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2022), v. N/A, p. 6-pg., 2022-01-01. (19/18287-0)

PASSOS, LEANDRO A.; JODAS, DANILO S.; RIBEIRO, LUIZ C. F.; MOREIRA, THIERRY; PAPA, JOAO P.; DEHERRERA, AGS; GONZALEZ, AR; SANTOSH, KC; TEMESGEN, Z; KANE, B; et al. (OPF)-P-2: Oversampling via Optimum-Path Forest for Breast Cancer Detection. 2020 IEEE 33RD INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS(CBMS 2020), v. N/A, p. 6-pg., 2020-01-01. (13/07375-0, 14/12236-1, 19/18287-0, 19/07665-4)

PASSOS, LEANDRO A.; PAPA, JOAO PAULO; HUSSAIN, AMIR; ADEEL, AHSAN. Canonical cortical graph neural networks and its application for speech enhancement in audio-visual hearing aids. Neurocomputing, v. 527, p. 8-pg., 2023-01-20. (14/12236-1, 19/07665-4, 13/07375-0, 17/02286-0, 19/18287-0, 18/21934-5)

JODAS, DANILO SAMUEL; BRAZOLIN, SERGIO; YOJO, TAKASHI; DE LIMA, REINALDO ARAUJO; VELASCO, GIULIANA DEL NERO; MACHADO, ALINE RIBEIRO; PAPA, JOAO PAULO; IEEE COMP SOC. A Deep Learning-based Approach for Tree Trunk Segmentation. 2021 34TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2021), v. N/A, p. 8-pg., 2021-01-01. (17/50343-2, 14/12236-1, 19/18287-0, 19/07665-4)

JODAS, DANILO SAMUEL; YOJO, TAKASHI; BRAZOLIN, SERGIO; VELASCO, GIULIANA DEL NERO; PAPA, JOAO PAULO. Detection of Trees on Street-View Images Using a Convolutional Neural Network. International Journal of Neural Systems, v. 32, n. 01, JAN 2022. (14/12236-1, 19/07665-4, 13/07375-0, 17/50343-2, 19/18287-0)

JODAS, DANILO SAMUEL; PASSOS, LEANDRO APARECIDO; ADEEL, AHSAN; PAPA, JOAO PAULO. PL-kNN: A Python-based implementation of a parameterless k-Nearest Neighbors classifier. SOFTWARE IMPACTS, v. 15, p. 3-pg., 2022-12-21. (14/12236-1, 19/07665-4, 13/07375-0, 17/02286-0, 19/18287-0, 18/21934-5)