Il Paper scaricabile in download “Autonomous victim detection system based on deep learning and multispectral imagery” descrive un sistema di rilevamento automatico delle vittime basato su tecniche di deep learning e immagini multispettrali.
In seguito a disastri catastrofici, le situazioni di emergenza possono lasciare vittime intrappolate tra le macerie, che possono essere difficili da rilevare durante le prime ispezioni da parte dei soccorritori.
Grazie ai progressi tecnologici nell’elettronica e nella percezione, sono stati sviluppati sensori ottici versatili e potenti in grado di catturare la luce in spettri non visibili all’occhio umano.
Le nuove tecniche di deep learning, come le reti neurali convolute (CNN), hanno permesso la creazione di modelli in grado di rilevare autonomamente specifici modelli di immagini in base a un addestramento precedente.
Questo lavoro presenta un sistema di rilevamento automatico delle vittime da utilizzare tramite robot per la ricerca e il soccorso.
Il sistema proposto definisce nuovi indici basati sulla combinazione di bande multispettrali (Blu, Verde, Rosso, Nir, Red Edge) per ottenere nuove immagini multispettrali in cui sono evidenziate le caratteristiche rilevanti delle vittime e dell’ambiente.
Le CNN sono state utilizzate come seconda fase per la rilevazione automatica delle vittime in queste nuove immagini multispettrali.
È stata effettuata un’analisi qualitativa e quantitativa dei nuovi indici proposti dagli autori per valutare la loro efficienza rispetto agli stati dell’arte.
È stato generato un set di dati per addestrare diversi modelli di CNN basati sull’indice ottenuto con il miglior risultato per analizzare la loro efficacia nella rilevazione delle vittime.
I risultati mostrano un’efficienza del 92% nella rilevazione automatica delle vittime quando viene applicato il miglior indice multispettrali ai nuovi dati.
Questo metodo è stato anche confrontato con altri basati su immagini termiche e RGB per rilevare le vittime, dimostrando di generare risultati migliori in situazioni di ambienti esterni e diverse condizioni climatiche.
