Disaster person detector: a importância da inteligência artificial na deteção de pessoas em desastres: projeto I

Abstract

Durante situações de desastres como inundações, terramotos, a urgência em resgatar as pessoas que estão em risco de perigo representa um desafio difícil. As operações tradicionais de busca e resgate conduzidas por humanos têm dificuldades devido às condições adversas que enfrentam e ao limite de recursos. Para superar estes desafios, têm sido usados Unmanned Aerial Vehicles (UAVs), utilizam o processamento de imagens para localizar humanos no meio do desastre. Contudo, as aplicações existentes, que dependem de abordagens baseadas no Deep Learning (DL) para analisar as imagens, são lentas a detetar as pessoas. Este atraso é um problema crítico, considerando que a rapidez é essencial em situações de emergência. Neste trabalho propomos a utilização de técnicas de DL para a criação de modelos inteligentes com o objetivo de conseguirem ajudar os operacionais a encontrar pessoas em cenários de desastre. Para se perceber melhor o trabalho de investigação dedicado à resolução deste problema foi realizado um estado da arte de modelos de DL aplicadas à deteção de pessoas em cenários de desastre. Este estudo permitiu constatar um interesse crescente neste tema nos últimos anos. O trabalho desenvolvido implicou também a procura de datasets para deteção de pessoas em cenários de desastre adequados para serem utilizados no treino dos modelos. Esta procura evidenciou que os datasets já existentes não representavam bem os cenários de desastre e, portanto, os autores dos artigos analisados decidiram criar os próprios. Após selecionar e analisar o dataset escolhido procedeu-se à fase de treino de um modelo, avançando assim no desenvolvimento da solução proposta. During disasters like floods, earthquakes, the urgency in rescuing people in imminent danger its a hard challenge. Traditional operations of search and rescue conducted by humans face difficulties due to the adverse conditions they encounter and the limited resources.To overcome these challenges, Unmanned Aerial Vehicles (UAVs) have been used, which use image processing to locate humans in the middle of the disaster. However, existing applications, which rely on Deep Learning (DL) based approaches to analyze the images, are slow to detect people. This delay in response is a critical problem, considering that speed is essential in emergency situations. In this study we propose the utilization of DL techniques to create intelligent models capable of helping operatives find people in disaster scenarios. To better understand the research work available in the literature dedicated to solving this problem a state-of-the-art study was carried out on the use of DL models used to detect people in disaster scenarios. This study revealed a growing interest in this topic in recent years. The work carried out also involved looking for suitable datasets for detection of people in disaster scenarios to train the models. This search revealed that the existing datasets didn't represent accurately disaster scenarios, therefore, the authors of the articles analyzed opted for creating their own. After selecting and analyzing the dataset chosen the training phase of a model was carried out, thus advancing the development of the proposed solution.