Banca de DEFESA: ANA CLAUDIA SOUZA VIDAL DE NEGREIROS

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : ANA CLAUDIA SOUZA VIDAL DE NEGREIROS
DATA : 15/07/2022
HORA: 08:30
LOCAL: Online
TÍTULO:

A NOVEL AUTOMATED OIL SPILL DETECTION APPROACH BASED ON THE q-
EXPONENTIAL DISTRIBUTION AND MACHINE LEARNING MODELS

PALAVRAS-CHAVES:

distribuição q-Exponencial, extração de características, aprendizado de
máquina, visão computaciona, vazamentos de óleo, análise de risco

PÁGINAS: 117
RESUMO:

Vazamentos de óleo estão entre os mais indesejáveis eventos que podem ocorrer em ambientes
costeiros por causa de seu perigo substancial, com consequências ambientais, sociais e
econômicas. Em geral um framework de risco envolve prevenção. Monitoramento, detecção e
mitigação dos danos. A respeito da detecção, a rápida identificação de um vazamento de óleo é
essencial para a mitigação dos problemas, que geralmente fomenta o uso de procedimentos
automáticos. Usualmente, a detecção automática de vazamento de óleo envolve imagens de
radar, visão computacional, e técnicas de aprendizado de máquina para classificar as imagens.
Neste trabalho, um novo método de extração de características em imagens baseado na
distribuição probabilística q-Exponencial, chamado de q-EFE, está sendo proposto. Esse
modelo probabilístico é adequado para explicar valores extremos atípicos de variáveis de
interesse, e.g., valores de pixels, uma vez que ele tem comportamento power-law. A parte do
q-EFE é combinada com métodos de machine learning para compreender uma metodologia de
visão computacional para classificar automaticamente imagens como “com vazamento de óleo”
ou “sem vazamento de óleo”. Consequentemente, este trabalho propõe uma nova metodologia
de detecção automática de vazamento de óleo que usa o q-EFE para identificar rapidamente
vazamentos de óleo em imagens de radar. Foi utilizado um conjunto de dados composto por
1112 imagens geradas pelo Synthethic Aperture Radar (SAR) para validar a metodologia
proposta. Considerando a extração de características proposta que é baseada na distribuição qexponencial,
os métodos de Aprendizado de Máquina e as arquiteturas dos modelos de
Aprendizado Profundo testados, os modelos Support Vector Machine e Extreme Gradient
Boosting (XGB) superaram os modelos deep learning e as técnicas de Local Binary Pattern
(LBP) e Gray Level Co-occurrence Matrix (GLCM) para os maiores tamanhos de conjunto de
dados.

MEMBROS DA BANCA:
Externa à Instituição - FÁTIMA NELSIZEUMA SOMBRA DE MEDEIROS
Externo à Instituição - LUIS FELIPE FERREIRA DE MENDONÇA
Interno - 1549303 - CRISTIANO ALEXANDRE VIRGINIO CAVALCANTE
Presidente - 2732514 - ISIS DIDIER LINS
Interno - 2766188 - MARCIO JOSE DAS CHAGAS MOURA