Desenvolvimento de um sistema de mapeamento móvel terrestre de baixo custo para detecção da vegetação urbana usando redes neurais convolucionais

Abstract

Resumo: O processo de urbanização trouxe uma série de questões problemáticas como a poluição, microclimas abafados e progressiva impermeabilização. Tais problemas, que afetam diretamente a qualidade de vida da população das cidades, têm dentre os fatores importantes em sua mitigação a presença de vegetação nos cenários urbanizados. De tal modo, faz-se necessário o mapeamento da abrangência e do estado de saúde da assim intitulada "vegetação urbana", a fim de auxiliar o planejamento e a execução de políticas públicas que visem a extensão, o cuidado e também o manejo adequado, dado que a vegetação também pode causar danos quando em condições inadequadas. Uma tecnologia apresentada nas últimas décadas, capaz de fornecer grandes volumes de dados empregando pouco tempo de coleta é constituída pelos chamados Sistemas de Mapeamento Móvel Terrestre - SMMT, compostos primeiramente por um Sistema de Navegação e um Sistema de Imageamento, além de unidades de alimentação, controle síncrono e armazenamento. Ressalta-se que todos os componentes do SMMT estão embarcados em uma plataforma rígida, acoplável ao topo de um veículo terrestre. Nesse contexto, é proposta no presente trabalho a criação de um SMMT de baixo custo e que possui a importante característica de operação de imageamento na faixa espectral do Infravermelho próximo - NIR, cuja finalidade se deve à demanda por dados relativos à vegetação urbana. Em virtude da possibilidade de imageamento na faixa espectral do NIR, a vegetação é uma das feições com significativa discriminação nas imagens adquiridas pelo sistema em questão. Após a aquisição das imagens, torna-se necessária a separação temática da vegetação em relação à não-vegetação, obtendo-se como resultado os pixels associados a cada uma dessas duas classes, num processo conhecido como segmentação semântica. A gama de algoritmos que se tornou o estado-da-arte no tocante à segmentação semântica ("classificação") é composta pelas Redes Neurais Convolutivas - CNNs, que permitem resolver tal questão. As CNNs são treinadas por algoritmos de Deep Learning, tendo como entradas para o treinamento amostras com resultado conhecido e amostras ocultas para validação e aprendizado. No presente trabalho, foram treinadas e testadas redes com 50 imagens nas quais a vegetação foi segmentada manualmente, atingindo-se uma média de 83% para o indicador Intersection Over Union - loU (razão entre Interseção e União), ainda que a rede não desempenhe da maneira desejada na ausência de vegetação, fator mitigado com a utilização de uma segunda rede, sendo esta do tipo multi-classe. A partir dos resultados obtidos, que permitiram atestar bons desempenhos para a rede neural treinada, é possível concluir que o SMMT criado (que é totalmente operacional) está apto para capturar dados sobre a vegetação urbana.

Abstract: The urbanization process brought a lot of problematic issues, like pollution, unpleasant microclimates and progressive surface imperviousness. These problems, which directly affect the urban population's life quality, can be mitigated by the presence of urban vegetation. Therefore, it is necessary to map their coverage and health status globally in urban areas, in order to assist the planning and implementation of public policies aimed at extension, care and also adequate management, since vegetation can also cause damage in inappropriate conditions. As a technology presented in the last decades, the so-called Terrestrial Mobile Mapping Systems - TMMS, are capable of providing large amounts of data without lots of time consumption, they are composed primarily by a Navigation System and an Imaging System, in conjunction with Power Supply, Synchronous Control, and Storage Units. It is important to note that all TMMS components are mounted on a rigid platform, attachable to the top of a ground vehicle. In this context, is proposed the creation of a low-cost TMMS, which has the distinctive feature of imaging in the near-infrared (NIR) spectrum, whose purpose is due to the demand for urban vegetation data. Because of the possibility of imaging in the NIR band, the vegetation is among the features with significant discrimination in the images acquired by the proposed system. After the image acquisition step, it becomes necessary the thematic separation of vegetation from non-vegetation, obtaining, as a result, the pixels associated with each of these two classes, this process is known as semantic segmentation. The set of algorithms that became the state of the art, in semantic segmentation scope, are composed essentially by Convolutional Neural Networks - CNNs. This kind of network is trained by Deep Learning algorithms, using as inputs a set of samples with known results (for training) and hidden samples for evaluation and improvement. In this study, CNNs were trained and tested with 50 images, in which vegetation was manually segmented, reaching a mean value of 83% for the Intersection Over Union (loU) indicator, although the net does not perform well in the absence of vegetation, a factor mitigated with the use of a second net, that was of the multi-class type. From the results obtained, which demonstrated good performance for the trained neural network, it is possible to conclude that the developed TMMS (which is fully operational) is adequate to capture data regarding urban vegetation.