| dc.contributor | Petraglia, Mariane Rembold | |
| dc.contributor | Gomes, José Gabriel Rodriguez Carneiro | |
| dc.contributor | França, Felipe Maia Galvão | |
| dc.contributor | Maximo, André de Almeida | |
| dc.creator | Medina Castañeda, Edgar Eduardo | |
| dc.date | 2019-01-31T14:54:50Z | |
| dc.date | 2023-09-27T03:01:38Z | |
| dc.date | 2017-10 | |
| dc.date.accessioned | 2023-09-27T13:21:52Z | |
| dc.date.available | 2023-09-27T13:21:52Z | |
| dc.identifier | http://hdl.handle.net/11422/6316 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8905661 | |
| dc.description | Artificial neural networks, such as the multilayer perceptron (MLP), have been increasingly employed in various applications. Recently, deep neural networks, specially convolutional neural networks (CNN), have received considerable attention due to their ability to extract and represent high-level abstractions in data sets. This work describes a vision inspection system based on deep learning and computer vision algorithms for detection of algae in underwater pipelines. The proposed algorithm comprises a CNN or a MLP network, followed by a post-processing stage operating in spatial and temporal domains, employing clustering of neighboring detection positions and a region interception framebuffer. The performances of MLP, employing different descriptors, and CNN classifiers are compared in real-world scenarios. It is shown that the post-processing stage considerably decreases the number of false positives, resulting in an accuracy rate of 99.39%. | |
| dc.description | Redes neurais artificiais, como o perceptron multicamada (MLP), têm sido cada vez mais empregadas em várias aplicações. Recentemente, as redes neurais profundas (deep neural networks), especialmente as redes neurais convolutivas (CNN), receberam atenção considerável devido à sua capacidade de extrair e representar abstrações de alto nível em conjuntos de dados. Esta dissertação descreve um sistema de inspeção automático baseado em algoritmos de aprendizado profundo (deep learning) e visão computacional para detecção de algas em dutos submarinos. O algoritmo proposto compreende uma rede CNN ou MLP, seguida de uma fase de pós-processamento que opera em domínios espaciais e temporais, empregando agrupamento de posições de detecção vizinhas e um buffer das regiões de interseção ao longo dos quadros. Os desempenhos de MLP, empregando diferentes descritores, e os classificadores CNN são comparados em cenários do mundo real. Mostra-se que a fase de pos-processamento diminui consideravelmente o número de falsos positivos, resultando em uma taxa de acerto de 99,39%. | |
| dc.language | eng | |
| dc.publisher | Universidade Federal do Rio de Janeiro | |
| dc.publisher | Brasil | |
| dc.publisher | Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia | |
| dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica | |
| dc.publisher | UFRJ | |
| dc.rights | Acesso Aberto | |
| dc.subject | Engenharia elétrica | |
| dc.subject | Redes neurais convolucionais | |
| dc.subject | Visão computacional | |
| dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | |
| dc.title | Deep CNN and MLP-based vision systems for algae detection in automatic inspection of underwater pipelines | |
| dc.type | Dissertação | |
