Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/6337
Type: Dissertação
Title: Classification of underwater pipeline events using deep convolutional neural networks
Author(s)/Inventor(s): Petraglia, Felipe Rembold
Advisor: Gomes, José Gabriel Rodríguez Carneiro
Abstract: A inspeção automática de dutos submarinos tem sido uma tarefa de crescente importância para a detecção de diferentes tipos de eventos, dos quais destacam-se armadura exposta, presença de algas, flanges e manta. Tais inspeções podem se beneficiar de técnicas de aprendizado de máquinas para classificar acuradamente essas ocorrências. Neste trabalho, apresenta-se um algoritmo de redes neurais convolucionais para classificação de eventos em dutos submarinos. A arquitetura e os parâmetros da rede neural que resultam em desempenho de classificação ótimo são selecionados. A técnica de rede neural convolucional, em comparação ao algoritmo do perceptron precedido por extração de features wavelet, apresenta desempenho superior para diferentes classes de eventos, alcançando em média acurácia de classificação de 93.2%, enquanto o desempenho alcançado pelo perceptron é de 91.2%. Além dos resultados obtidos no conjunto de teste, são analisadas as curvas de acurácia e de entropia cruzada obtidas para o conjunto de validação ao longo do treinamento, de modo a comparar os desempenhos de cada método e para cada classe de eventos. São também fornecidas visualizações das saídas das camadas intermediárias da rede convolucional. Essas visualizações são interpretadas e associadas aos resultados obtidos.
Abstract: Automatic inspection of underwater pipelines has been a task of growing importance for the detection of four different types of events: inner coating exposure, presence of algae, flanges and concrete blankets. Such inspections might benefit of machine learning techniques in order to accurately classify such occurrences. In this work, we present a deep convolutional neural network algorithm for the classification of underwater pipeline events. The neural network architecture and parameters that result in optimal classifier performance are selected. The convolutional neural network technique outperforms the perceptron algorithm preceded by wavelet feature extraction for different event classes, reaching on average 93.2% classification accuracy, while the accuracy achieved by the perceptron is 91.2%. Besides the results obtained in the test set, accuracy and cross entropy curves obtained in the validation set during training are analyzed, so that the performances of each method and for each event class are compared. Visualizations of the convolutional neural network intermediate layer outputs are also provided. These visualizations are interpreted and associated to the results obtained.
Keywords: Engenharia elétrica
Redes neurais artificiais
Bancos de dados
Subject CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Program: Programa de Pós-Graduação em Engenharia Elétrica
Production unit: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Publisher: Universidade Federal do Rio de Janeiro
Issue Date: Sep-2017
Publisher country: Brasil
Language: eng
Right access: Acesso Aberto
Appears in Collections:Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
866477.pdf958,64 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.