dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Additional title: |
Identification of methane emission sources with computer vision and Sentinel-2 observations |
| Additional title: |
Identificación de fuentes de emisión de metano de aguas residuales con visión por computador y observaciones de Sentinel-2 |
| Date: |
2021 |
| Abstract: |
Les tecnologies basades en aprenentatge profund s'han desenvolupat a gran velocitat en els últims anys i alhora proporcionen eines de molta efectivitat. En aquest treball s'aplicaran aquestes tecnologies per a la detecció de fonts del gas metà, un dels gasos més contaminants a l'atmosfera, alhora que fàcilment localitzable en les depuradores, on es centrarà el treball. Per a la localització de depuradores s'ha utilitzat una xarxa neuronal del estat de l'art de la segmentació, la U-Net, i s'ha entrenat amb un dataset creat mitjançant imatges del satèl·lit de l'agència europea de l'espai Sentinal-2. Al mateix temps, la UNet és modificada per a tenir multi input/output, és a dir que a part de la segmentació també volem que faci de regressor de la capacitat d'aigua tractada de la depuradora, passant-li el nombre d'habitants pròxims com a input addicional. També es comprova l'eficàcia d'aplicar super-resolució abans de fer la segmentació d'objectes, que no ha resultat particularment eficaç. Finalment els resultats són satisfactoris per a la detecció de depuradores i estimació del volum d'aigua tractada. |
| Abstract: |
Deep learning-based technologies have developed rapidly in recent years and at the same time provide highly effective tools. In this project, these technologies will be applied to detect sources of methane gas, one of the most polluting gases in the atmosphere, while being easily located in waste water treatment plants, which this work will focus. In order to decect thie wastewater treatment plants, a state-of-the-art neural network, the U-Net, has been trained with a dataset created using imagery provided by the Sentinal-2 mission, from the European Space Agency. At the same time, the U-Net is modified to have multi input / output, since apart from the segmentation we also want it to act as a regressor of the treated water capacity of the treatment plant, passing the number of nearby inhabitants as additional input. The effectiveness of applying super-resolution before doing object sequencing is also tested, which has not been particularly effective. Finally, the results are satisfactory for the detection of treatment plants and estimation of the volume of treated water. |
| Abstract: |
Las tecnologías basadas en aprendizaje profundo se han desarrollado a gran velocidad en los últimos años ya la vez proporcionan herramientas de mucha efectividad. En este trabajo se aplicarán estas tecnologías para la detección de fuentes de gas metano, uno de los gases más contaminantes a la atmósfera, al tiempo que fácilmente localizable en las depuradoras, donde se centrará este trabajo. Para la localización de depuradoras ha utilizado una red neuronal del estado del arte de la segmentación, la U-Net, y se ha entrenado con un dataset creado mediante imágenes del satélite de la agencia europea del espacio Sentinals-2. Al mismo tiempo, la U Net es modificada para tener multi input / output, es decir que aparte de la segmentación también queremos que haga de regresor de la capacidad de agua tratada de la depuradora, pasándole el número de habitantes próximos como input adicional. También se comprueba la eficacia de aplicar super-resolución antes de hacer la segmentación de objetos, que no ha resultado particularmente eficaz. Finalmente los resultados son satisfactorios para la detección de depuradoras y estimación del volumen de agua tratada. |
| Rights: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Language: |
Català |
| Studies: |
Grau en Enginyeria Informàtica [2502441] |
| Study plan: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau ; Text |
| Subject area: |
Menció Computació |
| Subject: |
Super-Resolució ;
Segmentació ;
Regressió ;
Aprenentatge Profund ;
Aprenentatge Automàtic ;
Imatges de satèl·lit ;
Xarxa Neuronal ;
Arquitectures de múltiple entrada/sortida ;
Super-Resolution ;
Segmentation ;
Regression ;
Deep learning ;
Machine learning ;
Remote sensing ;
Neural network ;
Super-Resolución ;
Segmentación ;
Regresión ;
Aprendizaje Profundo ;
Aprendizaje Automático ;
Imágenes de satélite ;
Red Neuronal ;
Arquitecturas de múltiple entrada / salida ;
Multi input/output architectures |
guest ::
dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
