Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/31471
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2022_DiegoCardoso_MatheusGuimaraes_tcc.pdf2,63 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorOliveira, Roberta Barbosa-
dc.contributor.authorCardoso, Diego Antônio Barbosa-
dc.contributor.authorGuimarães, Matheus Rodrigues-
dc.identifier.citationCARDOSO, Diego Antônio Barbosa; GUIMARÃES, Matheus Rodrigues. Ensemble de modelos híbridos baseados em redes neurais convolucionais e máquinas de vetores de suporte para detecção de barragens em imagens de satélite. 2022. xi, 36 f., il. Trabalho de conclusão de curso (Bacharelado em Ciência da Computação) — Universidade de Brasília, Brasília, 2022.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2022.pt_BR
dc.description.abstractAs barragens de rejeitos armazenam água e resíduos sólidos que são subprodutos da mineração. No Brasil, há um índice alto de barragens irregulares, incluindo locais até mesmo não catalogados. Estas estruturas apresentam alto potencial de dano socioambiental e um possível rompimento seria capaz de destruir rios e vilarejos. O uso de modelos de Rede Neural Convolucional, do Inglês Convolutional Neural Network (CNN) tradicionais são capazes de realizar a tarefa de detecção de barragens utilizando imagens de satélite. Para melhorar o desempenho destes modelos tradicionais existem técnicas, como por exemplo a utilização de modelos híbridos e o ensemble de modelos. O objetivo do presente trabalho é a proposta de um modelo ensemble composto por modelos híbridos baseados em CNN e Máquina de Vetores de Suporte, do Inglês Support Vector Machine (SVM) para a tarefa de detecção de barragens em imagens de satélite. Para tal, foi utilizada a base de dados BrazilDAM que possui 1925 imagens, sendo 769 consideradas como barragem e 1156 consideradas não-barragem. Foi realizado um pré processamento de suas imagens para avaliar o modelo com algumas combinações das 13 diferentes bandas. Foram utilizados diferentes modelos CNN aplicando as técnicas transfer learning e fine tuning para a extração de características das imagens de entrada. A SVM foi responsável por fazer a predição a partir destas informações extraídas. Por fim, este modelo híbrido foi associado a um modelo ensemble heterogêneo utilizando votação majoritária das predições feitas pelos modelos híbridos que realizam a classificação. Como resultados o modelo proposto obteve acurácia de 0,961, precisão 0,950, revocação 0,988, f1-score 0,968 e AUC 0,987. Mostrando assim, que a aplicação do modelo proposto traz melhores resultados em comparação com os modelos tradicionais.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.subject.keywordMáquinas de suporte vetorialpt_BR
dc.subject.keywordImagens - detecçãopt_BR
dc.titleEnsemble de modelos híbridos baseados em redes neurais convolucionais e máquinas de vetores de suporte para detecção de barragens em imagens de satélitept_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2022-07-26T22:12:37Z-
dc.date.available2022-07-26T22:12:37Z-
dc.date.submitted2022-05-06-
dc.identifier.urihttps://bdm.unb.br/handle/10483/31471-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Tailings dams store water and solid rejects from mining activity. Brazil has a high rate of irregular dams, including places that are not even cataloged. These structures have a high potential for socio-environmental damage and an eventual rupture would be capable of destroying rivers and villages. The traditional Convolutional Neural Network (CNN) models are able to perform dam detection task using satellite imagery. To improve the performance of these traditional models there are techniques, such as hybrid models and model ensemble. The present work proposes an ensemble model composed of hybrid mod els based on CNN and Support Vector Machines (SVM) for the task of detecting dams in satellite imagery. For this, BrazilDAM database was used, which has 1925 images, which 769 are considered dams and 1156 are considered not dams. A pre-processing of their images was used to evaluate the model with some combinations of the 13 different bands. Some CNN models were used, applying transfer learning and fine-tuning techniques to extract features from the input images. The SVM was responsible for making predictions from this extracted information. Finally, this hybrid model was associated in a hetero geneous ensemble model made by hybrid models that perform the classification using majority voting for predictions. As a result, the proposed model obtained an accuracy of 0.961, precision 0.950, recall 0.988, f1-score 0.968 and AUC 0.987. Thus showing that the application of the proposed model brings better results compared to traditional models.pt_BR
Aparece na Coleção:Ciência da Computação



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.