Embedded Files
MOTIVAÇÃO
O estado do mar (sea state) é uma medida da agitação da superfície do mar. Suas variáveis, em especial a altura das ondas, têm impactado, por exemplo, as estruturas offshore de petróleo e gás [1] e até mesmo a costa, sendo seu conhecimento de interesse da guarda costeira para a prevenção de catástrofes.
Atualmente, os métodos para classificar os estados do mar são baseados na representação estatística de parâmetros de onda ou por modelagem numérica. Esses métodos são caros, propensos a mau funcionamento do equipamento e exigem alto poder de computação e tempo.
[1] VANNAK, D.; LIEW, M.S.; YEW, G.Z. Time Domain and Frequency Domain Analyses of Measured Metocean Data for Malaysian Waters.; Int. J. Geol. Environ. Eng. 2013, 7, 549–554.
OBJETIVOS
Este projeto objetiva a criação de uma ferramenta de classificação do estado do mar utilizando Deep Learning que associe uma imagem da superfície do mar a um intervalo de graus da Escala Beaufort.
METODOLOGIA
Experimentou-se 4 arquiteturas de CNNs (ResNet - 34, ResNet - 152, VGG - 16 e ResNet34 - VGG) em diferentes cenários (com e sem transfer learning) aplicando-se técnicas para datasets desbalanceados (oversample e weighted loss).
Em seguida, desenvolveu-se a plataforma SeaStatefy seguindo a arquitetura da Figura 1.
Figura 1 - Arquitetura em camadas do projeto com front-end e back-end.
RESULTADOS
O modelo com o melhor desempenho foi a ResNet-34 pré-treinada com oversampling, cuja arquitetura é apresentada na Figura 2. As acurácias obtidas nos três datasets de teste são exibidas na Tabela 1.
Tabela 1 - Acurácias do modelo ResNet-34 com oversampling
Figura 2 - Arquitetura da ResNet-34
DEMONSTRAÇÃO
Page updated
Report abuse