Utilize este identificador para referenciar este registo:
http://hdl.handle.net/10071/29930
Autoria: | Marçal, Daniel André Barbosa |
Orientação: | Almeida, Ana Maria de Oliveira, João Pedro |
Data: | 9-Nov-2023 |
Título próprio: | Object detection of megalithic dolmens in Google Satellite imagery |
Referência bibliográfica: | Marçal, D. A. B. (2023). Object detection of megalithic dolmens in Google Satellite imagery [Dissertação de mestrado, Iscte - Instituto Universitário de Lisboa]. Repositório Iscte. http://hdl.handle.net/10071/29930 |
Palavras-chave: | Deep learning Machine learning Geology Análise da imagem -- Image analysis Visão computacional -- Computer vision Geologia |
Resumo: | The detection of dolmens, ancient megalithic structures, holds significant human and archaeological importance. We address the challenge of automating dolmen detection in the region of Alentejo, Portugal, by leveraging deep learning algorithms, specifically YOLOv8 and FasterRCNN, and exploring the potential influence of terrain information, including distance to water and rocky outcrops for refining the detection results.
The motivation behind this research stems from the abundance of undiscovered dolmens in the area, prompting the need for an efficient and accurate detection pipeline. The methodology involves preprocessing the images to enhance relevant features and applying the Deep Learning approach for dolmen detection.
The key finding of the study demonstrates the efficacy of FasterRCNN architectures in dolmen detection, which have achieved a confidence degree of 93% (average precision). These findings offer valuable insights and practical assistance to local archaeologists in identifying small megalithic structures in similar regions.
However, limitations were encountered, mostly due to the unavailability of high-quality images in Google Earth databases, thereby affecting the precision of the results. Future work should focus on acquiring more comprehensive and high-resolution image datasets to enhance the performance of the detection algorithm.
Our research provides a promising pipeline for automated dolmen detection using Deep Learning algorithms. However, we must emphasize the need for continued improvement and for the acquisition of additional data from different information sources to enhance the accuracy, efficiency, and generalization capacity of dolmen detection algorithms. A deteção de estruturas megalíticas tem uma grande importância, a nível humano ou arqueológico. Neste documento, será descrito o trabalho desenvolvido em prol do desafio de automatizar a deteção de dolmens, através de um caso de estudo destes monumentos na região do Alentejo, Portugal. Para a automatização, serão utilizados algoritmos de aprendizagem profunda, especialmente as arquiteturas YOLOv8 e FasterRCNN, conjugando a informação do terreno, de modo a refinar os resultados. A motivação por detrás desta dissertação, surge da abundância de dolmens por descobrir, resultando na necessidade de sistemas de deteção eficientes. A metodologia envolve o pré processamento de imagens de modo a revelar elementos de interesse e a aplicar aprendizagem profunda, fazendo prospeção automática de dolmens numa região similar. A descoberta principal do estudo foi a eficácia conseguida com a aproximação FasterRCNN na deteção de dolmens, no qual conseguimos atingir 93% de precisão média. Criando um sistema robusto, a ser utilizado como ferramenta de trabalho aos arqueólogos na identificação de potenciais áreas de prospeção de monumentos megalíticos. Contudo, foram encontradas limitações, devido à falta de disponibilidade de imagens de qualidade na Google Earth, o que afeta, necessariamente, a precisão dos resultados. Trabalho futuro poderá focar em adquirir imagens de maior resolução, por forma a melhorar o desempenho do algoritmo. Este estudo criou um sistema promissor para deteção automática de dolmens através da aprendizagem profunda. No entanto, será sempre necessário procurar a melhoria contínua, quer na capacidade do sistema, quer pela aquisição de dados de diferentes fontes de informação. |
Designação do Departamento: | Departamento de Métodos Quantitativos para Gestão e Economia Departamento de Ciências e Tecnologias da Informação |
Designação do grau: | Mestrado em Ciência de Dados |
Arbitragem científica: | yes |
Acesso: | Acesso Aberto |
Aparece nas coleções: | T&D-DM - Dissertações de mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
master_daniel_barbosa_marcal.pdf | 10,05 MB | Adobe PDF | Ver/Abrir |
Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.