@PHDTHESIS{ 2021:422681862,
 	title = {Aplicação de redes neurais convolucionais para detectar vazamentos de gás natural em imagens de cabeça de poço petrolíferos onshore},
 	year = {2021},
 	url = "https://tede.ufam.edu.br/handle/tede/8598",
 	abstract = "Grandes vazamentos de gás natural levam a acidentes que muitas vezes são letais para os humanos e altamente destrutivos para a propriedade, além de liberar metano na atmosfera, impactando negativamente nosso meio ambiente. Logo, a detecção de vazamentos de gás natural é uma ação importante da indústria do petróleo para a prevenção de acidentes. A literatura fornece diferentes técnicas para detecção de vazamentos de gás natural. Porém, com exceção de estudos anteriores desenvolvidos pelo autor desta tese sobre o tema, ainda existe uma lacuna na literatura sobre detecção de nuvens de vazamentos de gás natural por meio de imagens digitais, sem a necessidade de sensores ou câmeras especiais calibradas para o espectro de moléculas de metano. Nos estudos anteriores foram utilizadas técnicas de processamento de imagem associadas a um classificador de filtro de novidade para investigar a presença ou ausência de nuvem visível de vapores de hidrocarbonetos, ou seja, uma pluma de gás natural em quadros de circuito fechado de televisão instalados em cabeças de poços petrolíferos terrestres. Nesta tese, é apresentado um novo método de detecção de nuvens visível de vapores de hidrocarbonetos que é constituído de redes neurais convolucionais, as quais são aplicadas para classificar imagens (frames do circuito fechado de televisão) como pertencentes às classes com ou sem vazamento de gás natural em cabeças de poço onshore, aprimorando os resultados obtidos anteriormente. Com o objetivo de realizar a tarefa de detecção de vazamentos, o estudo propõe e apresenta o resultado de três arquiteturas de redes neurais convolucionais, além de investigar a técnica de transferência de conhecimento com as arquiteturas pré-treinadas DenseNet-201, GoogLeNet, MobileNetV2 e ResNet-18, e também a técnica de Feature Fusion aplicada a estes modelos pré-treinados. O estudo fornece ainda uma explicação visual provendo a região da imagem de entrada que foi relevante para o classificador tomar a decisão de que ocorreu um vazamento, através da técnica Gradient-weighted Class Activation Mapping. Os resultados experimentais mostraram que o modelo de melhor desempenho apresentou acurácia de 100,00% e taxa de falsos negativos de 0,00%, superando o desempenho de métodos anteriores de detecção de vazamento de gás natural por imagens de circuito fechado de televisão",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Engenharia Elétrica},
 	note = {Faculdade de Tecnologia}
}