The research focus of the developed work is concentrated on the implementation of Geographic Information Systems – GIS – tools in spatial and temporal contexts, linked to the GIS and Geospatial Information branch of IP.
Through GIS it is possible to visualize, analyse, transform and interpret geographic information. For instance, identification of patterns, trends, and aspects that simplify decision support systems regarding geographical scenarios. Particularly, the work carried out consisted of detecting quarries.
In this context, concepts of Artificial Intelligence, Machine Learning, and Deep Learning were considered. Combined with GIS resources and methodologies, it is conceivable to carry out spatial analysis, remote sensing, and information management, for example.
The mechanisms adopted were initiated from the use of the Esri framework, a provider of geographic information systems, applied in Geographical Artificial Intelligence. GeoAI tools were adopted in the area of quarries, on which the developed work was focused.
Whereas quarries may often be considered as relatively monitored and properly inspected areas, there are scenarios in which they are detected and exceed the specified geographical limits, and situations where they are considered illegal.
Through the available tools, the occurrences mentioned above were intercepted with the national road and railway networks under the company’s supervision. As such, a workflow was developed, implemented, and paired with trained algorithms to obtain an approximate delimitation of the quarries in mainland Portugal.
Injustice - Developers Among Us (SciFiDevCon 2024)
Detecting Quarries with GeoAI Tools on the IP Network
1. julho de 2021
Deteção de Pedreiras com Ferramentas de
GeoAI na IP
Beatriz Tavares Delgado
Fernando Gil
Departamento de Informação Geoespacial (SI-IG)
2. Índice • Sistemas de Informação Geográfica e Workflows de Deep Learning
• Workflow do Trabalho de Modelação
• Inteligência Artificial, Machine Learning e Deep Learning
• Redes Neuronais Convolucionais e Deep Learning
• Deep Learning no ArcGIS Pro
• ArcGIS Pro
• Dados
• Dados de Base
• Dados Derivados
• Workflow de Deep Learning
• Preparação dos Dados de Treino
• Treino do Modelo de Deep Learning
• Inferência
4. Workflow do Trabalho de Modelação
Preparação dos dados
Treino de um modelo
Avaliação do desempenho do modelo
Treino do mesmo modelo com parâmetros alterados
Comparação dos modelos
Repetição das etapas anteriores
Utilização do modelo mais preciso para a previsão de valores desconhecidos
7. Preparação dos Dados
• Classificação de objetos
• Gestão das Amostras de Treino
• Exportação das Amostras de Treino
Treino
• Treino do Modelo de Deep Learning
• Deteção de Objetos
• Segmentação de Instâncias
• Módulo argis.learn (API do ArcGIS para Python)
Inferência
• Deteção de Objetos
9. Dados de Base
• Ortofotografias de 25cm de Portugal continental, com bandas espetrais
RGB e NIR (2018)
• Direção Geral do Território – DGT
• Ortofotomapas
• Formato TIFF
• 9367
• Delimitação das freguesias de Portugal Continental
• DGT – Carta Administrativa Oficial de Portugal – CAOP (2018)
• RRN e RFN
• IP
• Informação sobre as pedreiras
• Direção Geral da Energia e Geologia – DGEG
• Exploração de Massas Mineiras (Pedreiras)
• Formato WFS
• 1078 registadas no dia quatro de dezembro de 2020
10. Dados Derivados
• Concelhos e Distritos de Portugal Continental
• CAOP da DGT
• Dados das freguesias
• Buffer RRN e RFN
• Ortofotomapas de 2018 sobre os eixos das RRN e RFN
• Bandas de Cores (Mosaicos ou Image Chips)
• Natinal Agriculture Imagery Program – NAIP
13. Nome de apresentação | data da mesma 13
Preparação dos Dados de Treino
Classificação e Exportação dos Dados de Treino
Export Training Data for Deep Learning
Formato dos Metadados:
• PASCAL Visual Object Classes – PASCAL VOC
• Regions with Convolutional Neuronal Networks
Masks – RCNN Masks
14. Nome de apresentação | data da mesma 14
Treino do Modelo de Deep Learning
Train Deep Learning Model
Tipos de Modelo:
• Single Shot Detector – SSD
• RetinaNet
• FasterRCNN
• MaskRCNN
15. Nome de apresentação | data da mesma 15
Inferência
Deteção de Objetos
Detect Objects Using Deep Learning
16. Modelo Tile Size X Tile Size Y Stride X Stride Y
Rotation
Angle
Tipo de
Modelo
Cor
Natural
1 256 256 128 128 0 SSD
2 1500 1550 750 775 0 MaskRCNN
Quatro
Bandas
3 256 256 256 256 0 SSD
4 1500 1550 750 775 0 MaskRCNN
Modelos Destacados
Análise
17. Modelo 1
CLASSIFICAÇÃO TREINO INFERÊNCIA
Tile Size X = 256
Tile Size Y = 256
Stride X = 128
Stride Y = 128
Rotation Angle = 0º
Metadata Format = PASCAL VOC
Running Time = 01:39:21
Image Chips = 43 589
Model Type = Single Shot Detector
Running Time = 07:59:48
Epochs = 12
Average Precision = 86.5%
Running Time = 06:16:44
Detections = 9 306
Cor Natural
18. Modelo 2
CLASSIFICAÇÃO TREINO INFERÊNCIA
Tile Size X = 1500
Tile Size Y = 1550
Stride X = 750
Stride Y = 775
Rotation Angle = 0º
Metadata Format = RCNN Masks
Running Time = 00:59:45
Image Chips = 3 565
Model Type = MaskRCNN
Running Time = 25:07:58
Epochs = 45
Average Precision = 41.6%
Running Time = 22:39:38
Detections = 1 674
Cor Natural
19. Modelo 3
Quatro Bandas
CLASSIFICAÇÃO TREINO INFERÊNCIA
Tile Size X = 256
Tile Size Y = 256
Stride X = 128
Stride Y = 128
Rotation Angle = 0º
Metadata Format = PASCAL VOC
Running Time = 01:39:21
Image Chips = 10 905
Model Type = FasterRCNN
Running Time = 03:24:12
Epochs = 29
Average Precision = 80.2%
Running Time = 11:18:46
Detections = 7 155
20. Modelo 4
Quatro Bandas
CLASSIFICAÇÃO TREINO INFERÊNCIA
Tile Size X = 1500
Tile Size Y = 1550
Stride X = 750
Stride Y = 775
Rotation Angle = 0º
Metadata Format = RCNN Masks
Running Time = 00:51:56
Image Chips = 3 565
Model Type = MaskRCNN
Running Time = 32:57:02
Epochs = 53
Average Precision = 46.2%
Running Time = 15:16:11
Detections = 2 266
21. Implementação em Python
Módulo arcpy.ia – Image Analyst
Exportação dos dados de treino
• ExportTrainingDataForDeepLearning
Treino do Modelo de Deep Learning
• Módulo arcgis.learn – função prepare_data
• Definição da arquitetura (tipo de modelo)
• SSD, FasterRCNN, MaskRCNN
• Cálculo da learning rate e precision score
• Função fit para realização do treino
• Apresentação dos resultados através do comando show_results
Inferência
• DetectObjectsUsingDeepLearning
22. DESENVOLVIMENTOS FUTUROS
CONCLUSÃO
Continuar o desenvolvimento dos modelos de Deep Learning em Python
– Manipulação pormenorizada dos modelos para a sua otimização
– Análise de desempenho através de métricas como o recall, AUC, ROC
Implementação dos modelos destacados no processo de inferência no eixo central das
RRN e RFN
23. Nome de apresentação | data da mesma 23
www.infraestruturasdeportugal.pt
Muito obrigada!