Please use this identifier to cite or link to this item:
http://hdl.handle.net/10773/33614
Title: | Image segmentation algorithms based on deep learning for drone aerial imagery from the Portuguese coastal zone |
Other Titles: | Algoritmos de segmentação de imagem baseados em deep learning para fotografia aérea de drones da zona costeira portuguesa |
Author: | Martins, Gil Lusquiños |
Advisor: | Neves, António José Ribeiro Pinho, Armando José Formoso de |
Keywords: | Computer vision Image segmentation Machine learning Deep learning Semantic segmentation Instance segmentation Image segmentation models Coastal zone segmentation |
Defense Date: | 29-Oct-2021 |
Abstract: | As human-induced pressures continue to rise in the coastal zone, there is an increasing
need to resourcefully predict, detect and monitor environmental patterns
to support large scale conservation strategies. The Portuguese coastal zone is the
home to profuse biological communities, including mussels, which are a key ecological
species for the biodiversity of seashore ecosystems, supporting and shielding
a vast amount of invertebrate species.
Additionally, the improvement of unmanned aerial devices and high-resolution aerial
photography have provided the possibility to produce large temporal and spatial
datasets while subsiding both biological and physical disturbances in the ecosystems.
On this basis, a low-altitude and high resolution aerial image set was captured
by a research team from the Biology Department of the University of Aveiro to
measure the coverage, size and density of mussels along the Portuguese shoreline.
With this newly-gathered dataset, a group from the Department of Electronics,
Telecommunications and Informatics, from the same institution, took the initiative
to create computer vision algorithms through deep learning in order to assist the
analysis of the collected data and verify the viability of the data-gathering methods.
This work presents all the thorough procedures executed to answer the proposed
challenge, from the development of a functional pixel-wise image segmentation
dataset, to the development of predicting models using renowned architectures
in the deep learning community, capable of achieving good results to enable the
understanding of the dynamics of the ecosystem and predict the mussel abundance
under distinct environmental scenarios. Furthermore, the solution has the potential
to grow and be improved further.
By exploring a new dataset that may open new doors for understanding and classification
of coastal zones, with models that could potentially be re-trained in the
future for different kinds of shores and intertidal zones with more and other animal
communities, this work also proves the possibility of using deep learning models to
analyze image data acquired from drones and hopes to allow further research on
the subject and on different types of areas and vegetation. À medida que as pressões induzidas pelo homem continuam a aumentar na zona costeira, há uma necessidade crescente de prever, detetar e monitorizar padrões ambientais para apoiar estratégias de conservação em grande escala. A zona costeira portuguesa é o lar de comunidades biológicas abundantes, incluindo mexilhões, que são uma espécie ecológica chave para a biodiversidade dos ecossistemas costeiros, apoiando e protegendo uma vasta quantidade de espécies invertebradas. Adicionalmente, o aperfeiçoamento dos dispositivos aéreos não tripulados e da fotografia aérea de alta resolução proporcionaram a possibilidade de produzir grandes conjuntos de dados temporais e espaciais, reduzindo ao mesmo tempo tanto perturbações biológicas como físicas nos ecossistemas. Nesta base, um conjunto de imagens aéreas de baixa altitude e alta resolução foi capturado por uma equipa de investigação do Departamento de Biologia da Universidade de Aveiro para medir a cobertura, tamanho e densidade dos mexilhões ao longo da costa portuguesa. Com este conjunto de dados reunido, um grupo do Departamento de Eletrónica, Telecomunicações e Informática, da mesma instituição, tomou a iniciativa de criar algoritmos de visão computacional através de deep learning, com o objetivo de auxiliar a análise das imagens recolhidas e verificar a viabilidade dos métodos de recolha de dados. Este trabalho apresenta todos os procedimentos exaustivos efetuados para responder ao desafio proposto, desde o desenvolvimento de um conjunto de dados funcional para segmentação de imagens ao nível do pixel, até ao desenvolvimento de modelos preditivos utilizando arquiteturas de renome na comunidade de deep learning, capazes de alcançar bons resultados para permitir a compreensão da dinâmica do ecossistema e prever a abundância dos mexilhões em cenários ambientais distintos. Além disso, a solução apresenta potencial para crescer e ser futuramente aperfeiçoada. Ao explorar um novo conjunto de dados que poderá abrir novas portas para a compreensão e classificação das zonas costeiras, com modelos que poderão ser potencialmente re-treinados no futuro para diferentes tipos de costas e zonas intertidais com mais e outras comunidades animais, este trabalho prova também a possibilidade de utilizar modelos de deep learning para analisar dados adquiridos através de drones e espera possibilitar uma investigação mais aprofundada no tema e em diferentes tipos de áreas e vegetação. |
URI: | http://hdl.handle.net/10773/33614 |
Appears in Collections: | UA - Dissertações de mestrado DETI - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Documento_Gil-Martins.pdf | 10.48 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.