Uso de Redes Neurais Convolucionais na segmentação de vias urbanas asfaltadas em imagens de satélite RGB: estudo de caso em São Luís – MA

Abstract

É frequente usar imagens de satélite em atividades de geoprocessamento e editar geometrias vetoriais relativas a cada aplicação, sendo o desenho manual de vias uma atividade bastante frequente. Com a crescente demanda por desenhos vetoriais em SIGs, em especial a verificação e edição de vias terrestres, torna-se conveniente o desenvolvimento de uma ferramenta computacional que, com a ajuda da inteligência artificial, automatize o que for possível nesse aspecto, já que tal edição manual depende dos limites da agilidade do usuário. Para testar a viabilidade desta proposta, uma base de dados composta por 600 imagens RGB é apresentada a três diferentes Redes Neurais Convolucionais (CNNs) projetadas para segmentação de objetos e o desempenho de cada uma foi avaliado e comparado tendo-se em vista acurácia, IoU e tempo de segmentação. Nas condições do experimento, a CNN SegNet se mostrou mais apropriada à segmentação de vias urbanas asfaltadas em imagens RGB em aplicações de precisão não sensíveis a descontinuidades, logrando acurácia média de 87,12% e IoU médio de 71,93%, ao passo que a Dilated Convolutions alcançou os valores de 85,27% e 61,27% e a U-Net 78,09% e 64,91%, respectivamente. Alternativamente, Dilated Convolutions mostrou maior afinidade nesta tarefa em aplicações que demandem um processamento de alta frequência e que não sofram tanta interferência dos falsos positivos, por conciliar boa acurácia com um tempo médio bastante reduzido de 31,2 ms para imagens de 256 × 256 pixels e 125 ms para as de 1024 × 1024 pixels, contra os respectivos 78,1 e 546,9 da U-Net e 93,7 e 687,5 ms da SegNet