Detector de Basurales a Cielo Abierto
Una herramienta digital abierta que combina inteligencia artificial e imágenes satelitales para identificar basurales y microbasurales. Aquí, todo lo necesario para usarla en la gestión ambiental.
¿Qué es el Detector de Basurales?
Los basurales a cielo abierto crecen sin control, degradan el ambiente y ponen en riesgo la salud de miles de personas, especialmente en comunidades vulnerables.
Para contribuir a solucionar este problema, desde el equipo de Fractal desarrollamos una solución digital de bajo costo y código abierto que permite identificar los basurales y monitorearlos automáticamente a partir del uso de inteligencia artificial en imágenes satelitales y aéreas.
Accedé al código
Todo el desarrollo está disponible de manera gratuita y abierta en nuestro repositorio de GitLab. Podés explorarlo, replicarlo y proponer mejoras. Buscamos que todos aquellos interesados en aplicar esta herramienta puedan aprender a utilizarla y adaptarla a sus necesidades.
¿Cómo usar la herramienta?
En los siguientes videos, te explicaremos cómo explorar y utilizar los recursos disponibles para implementar el Detector de Basurales.
Aquí podrás conocer las funcionalidades básicas necesarias para implementar la herramienta.
El paso 2 es introducir el entorno de trabajo en Google Colab y preparar los insumos básicos para el entrenamiento del modelo: las imágenes del lugar de interés y las anotaciones. Para ello, mencionamos algunas fuentes para la obtención de imágenes satelitales y aéreas, creamos un ejemplo de anotación a partir del dibujo de un objeto vectorial sobre la imagen de interés y mencionamos algunas buenas prácticas a partir de nuestra experiencia de trabajo, configuramos los directorios necesarios en la notebook e introducimos un software de descarga de imágenes comerciales de media resolución (SAS Planet).
Material complementario (links):
Buffers
Descarga de imágenes con SAS Planet
Aquí nos enfocamos en los procesos incluidos en la notebook. Para ello, realizamos la descarga desde el repositorio de la Fundación Bunge y Born y cargamos la notebook correspondiente al entrenamiento en el entorno de trabajo de Colab. Luego, mencionamos los pasos más importantes, entre ellos las técnicas para el preprocesamiento de la imagen de interés, junto a sus parámetros más importantes, la configuración de clases para el reconocimiento de patrones y la división del conjunto en muestras de entrenamiento y validación. Finalmente, realizamos el entrenamiento, mencionamos algunos indicadores para evaluar el desempeño de nuestro modelo y guardamos el resultado obtenido.
Material complementario (links):
Repositorio de la Fundación Bunge y Born
Data Augmentation
Resnet-18
Matriz de Confusión
Esta es la etapa final del modelo, la detección. Se puede dividir en dos partes: en primer lugar, la detección sobre nuestra imagen de interés, que nos va a permitir validar in-situ el funcionamiento de nuestro modelo, también obtener nuevos resultados, y la predicción, en este caso sobre una imagen desconocida para nuestro modelo. Exploramos los pasos y parámetros más importantes dentro de la notebook y visualizamos los resultados obtenidos. Al final del video, listamos algunas buenas prácticas para el proceso.
Si tenés dudas o comentarios sobre el uso de esta herramienta, escribinos a [email protected]
