Detecting Quarries with GeoAI Tools on the IP Network
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.
Recommended
Recommended
More Related Content
Similar to Detecting Quarries with GeoAI Tools on the IP Network
Similar to Detecting Quarries with GeoAI Tools on the IP Network (20)
More from Fernando Gil
More from Fernando Gil (20)
Recently uploaded
Recently uploaded (20)
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
- 3. Sistemas de Informação Geográfica Workflows de Deep Learning
- 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
- 5. Inteligência Artificial Machine Learning Deep Learning
- 6. Redes Neuronais Convolucionais e Deep Learning
- 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
- 8. ArcGIS Pro
- 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
- 11. red, green, blue RGB near infrared reflection, red, green NIRRG Bandas de Cores (Mosaicos)
- 12. Estatísticas das Amostras Número de Pixéis Comprimento Largura Mínimo 243 257 Média 1 483 1 545 Mediana 1 290 1 245 Máximo 7 557 5 848 Máximo/Mínimo 31 23 Máximo/Média 5 4 Máximo/Mediana 6 5 Perímetro 𝑚 Mínimo 243 Média 1 371 Mediana 1 125 Máximo 5 209 Máximo/Mínimo 21 Máximo/Média 4 Máximo/Mediana 5 Área 𝒎𝟐 Mínimo 3 999 Média 100 025 Mediana 50 865 Máximo 1 174 419 Máximo/Mínimo 294 Máximo/Média 12 Máximo/Mediana 23
- 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!