Nossas Publicações

Dr. Carlos André de Mattos Teixeira, Prof. Dr. Carlos Renato Lisboa Francês, Profa. Dra. Evelin Helena Cardoso Gomes

Visual inspection is essential to ensure the stability of earth-rock dams. Periodic visual assessment of this type of structure through vegetation cover analysis is an effective monitoring method. Recently, multispectral remote sensing data and machine learning techniques have been applied to develop methodologies that enable automatic vegetation analysis and anomaly detection based on computer vision. As a first step toward this automation, this study introduces a methodology for land cover segmentation of earth-rock embankment dam structures within the Belo Monte Hydroelectric Complex, located in the state of Pará, northern Brazil. Random forest (RF) ensemble models were trained on manually annotated data captured by a multispectral sensor embedded in an uncrewed aerial vehicle (UAV). The main objectives of this study are to assess the classification performance of the algorithm in segmenting earth-rock dams and the contribution of non-visible band reflectance data to the overall model performance. A comprehensive feature engineering and ranking approach is presented to select the most descriptive features that represent the four dataset classes. Model performance was assessed using classical performance metrics derived from the confusion matrix, such as accuracy, Kappa coefficient, precision, recall, F1-score, and intersection over union (IoU). The final RF model achieved 90.9% mean IoU for binary segmentation and 91.1% mean IoU for multiclass segmentation. Post-processing techniques were applied to refine the predicted masks, enhancing the mean IoU to 93.2% and 91.9%, respectively. The flexible methodology presented in this work can be applied to different scenarios when treated as a framework for pixel-wise land cover classification, serving as a crucial step toward automating visual inspection processes. The implementation of automated monitoring solutions improves the visual inspection process and mitigates the catastrophic consequences resulting from dam failures.

MSc. Julio Leite Azancort Neto, MSc. Romário da Costa Silva, MSc. Thalita Ayass de Souza, Dr. Carlos André de Mattos Teixeira, Profa. Dra. Evelin Helena Cardoso Gomes, Profa. Dra. Jasmine Priscyla Leite de Araújo, Prof. Dr. Carlos Renato Lisboa Francês

A gestão eficiente de resíduos sólidos é crucial para tornar a cidade um ambiente limpo e sustentável. Este artigo apresenta uma metodologia composta por algoritmos bem estabelecidos para a estimativa de volume na gestão de resíduos sólidos urbanos usando imagens de visualização única. O sistema proposto foi feito a partir de algoritmos baseados em modelos de última geração, incluindo segmentação de instâncias, estimativa de profundidade e cálculo de volume baseado em nuvem de pontos. A metodologia demonstra a capacidade de estimar com precisão o volume de sacolas plásticas individuais e múltiplas, contendo resíduos sólidos urbanos. Avaliamos nossa abordagem utilizando dados do mundo real. Resultados numéricos mostraram que o sistema proposto é promissor mesmo em cenários complexos. Apesar dos desafios como reescalonamento manual de distância e conjuntos de dados limitados, nosso sistema possui um potencial considerável para refinamento e aprimoramento adicionais visando cenários tão complexos quanto cenários urbanos reais. A metodologia proposta contribui para o avanço das tecnologias de gestão em smart cities.