Dados da Submissão

Título

SEGMENTAÇÃO DE IMAGENS PARA CLASSIFICAÇÃO DE ELEMENTOS ARQUITETURAIS DO AFLORAMENTO LA JARDINERA, BACIA DE NEUQUÉN, ARGENTINA

Texto do resumo

A fotogrametria digital utilizando imagens captadas por aeronaves pilotadas remotamente ou a partir do solo é uma ferramenta cada vez mais popular nas geociências e auxilia a pesquisa geológica em diversas áreas, com aplicação direta na análise de afloramentos rochosos. Essa ferramenta produz modelos 3D com alta precisão e acurácia posicional, de forma rápida e com custo relativamente baixo. No entanto, os modelos 3D de afloramento podem conter volume de dados muitas vezes maior do que um intérprete humano é capaz de processar e a extração manual é lenta, dependente da experiência do intérprete, não-reprodutível e não permite quantificação das incertezas associadas. Nesse cenário, a utilização de segmentação de imagens por Deep Learning tem um potencial alto para reduzir o tempo da interpretação dos modelos, tornar o processo reprodutível, reduzir a influência do intérprete e permitir o cálculo das incertezas dos dados derivados. O objetivo deste trabalho é aplicar segmentação de imagens por elementos arquiteturais e associação de elementos arquiteturais do afloramento La Jardinera, Bacia de Neuquén, Argentina. O afloramento La Jardinera expõe rochas sedimentares depositadas em sistemas turbidíticos distais e nesse trabalho, foram considerados a associação de lobos e interlobos e o elemento franja dos lobos como unidades de segmentação. Foram adquiridas 719 imagens com aeronave pilotada remotamente para a construção do modelo 3D do afloramento. Essas imagens foram segmentadas utilizando modelo de segmentação semântica supervisionada por rede neural convolucional, que é uma técnica de classificação no âmbito das ferramentas de inteligência artificial e visão computacional. O código foi escrito em Python e foi utilizada a arquitetura U-net, estrutura principal do modelo de segmentação. Foram gerados rótulos por associações de elementos arquiteturais em cerca de 10% das imagens, com ferramentas guiadas tipo varinha mágica, laço poligonal ou laço magnético no software Adobe Photoshop. Metade das imagens rotuladas foi utilizada para o treinamento da rede neural convolucional e outra metade para o teste da acurácia da classificação; sendo que a acurácia total do modelo foi de 85%. A acurácia por associação de elemento arquitetural, foi de 69% para associação de lobos e interlobos e de 74% para o elemento franja dos lobos. Após o treino e teste, a rede neural convolucional foi retreinada com todos os rótulos e utilizada para classificar todas as 719 imagens. Para a visualização da assertividade das predições, foram elaborados mapas estatísticos de entropia nas imagens, permitindo análises visuais dos locais de maior e menor assertividade, além de testes de validação dos dados, onde foram alimentadas porcentagens diferentes das imagens à rede neural convolucional e avaliando o resultado alcançado. Os resultados, com percentuais de acerto mais altos, evidenciam que as ferramentas de Deep Learning são adequadas para classificação supervisionada de associações de elementos arquiteturais dos depósitos sedimentares da área estudada.

Palavras Chave

Redes Neurais Convolucionais; Turbiditos; Visão Computacional; Geotecnologias.