| Summary: | A aplicação de Veículos Aéreos Não Tripulados (VANTs) intensificou-se nos últimos tempos devido ao baixo custo operacional e de fabricação comparados às aeronaves convencionais, ausência de tripulação (aplicações em tarefas tediosas, cansativas ou que envolvem risco à tripulação), maior autonomia, entre outros fatores. A navegação aérea por imagens, capturadas em tempo real da região sobrevoada pelo VANT, é uma alternativa para a navegação autônoma destas aeronaves. As Redes Neurais Artificiais (RNAs) são ferramentas usadas com sucesso em diversas aplicações que envolvem processamento de imagens devido ao seu baixo custo computacional, tolerância a falhas e robustez ao ruído. A navegação aérea autônoma por imagens é uma aplicação com potencial para o emprego de RNAs por necessitar de processamento rápido, embarcado e tolerante a falhas. Neste contexto foram usadas três RNAs com treinamento supervisionado e de diferentes arquiteturas (rede com funções de base radial, rede perceptron de múltiplas camadas e rede neural celular) aplicadas na extração de bordas em imagens aéreas e de satélite, para posterior cálculo da correlação no domínio espacial entre as bordas dessas imagens, a fim de simular a estimação da posição geográfica de um VANT. A informação de borda neste caso é interessante por ser invariável ao tipo de sensor de imageamento (satélite e imagens aéreas). Para a aplicação, as redes neurais foram comparadas com os operadores Sobel e Canny. === The application of Unmanned Aerial Vehicles (UAVs) has intensified in recent years due to low operating cost and manufacturing compared to conventional aircraft, no crew (applications on tedious tasks, tiring, or that involve risk to the crew), more autonomy, among other factors. The navigation based on images, captured in real time of the area overflown by the UAV, is an alternative for autonomous navigation of such aircraft. Artificial Neural Networks (ANNs) are powerful tools used in various applications involving image processing due to its low computational cost, fault tolerance and robustness to noise. The autonomous navigation of images is an application for employment potential of ANNs because need fast processing, embedded code, and fault tolerance. In this context, three ANNs were approached with supervised training and different architectures (neural network radial basis function, multilayer perceptron and cellular neural network) applied in edge detection on aerial and satellite images, for later calculation of the correlation in spatial domain between these images to simulate the estimation of the geographical position of a vehicle autonomous unmanned air. For the application, these ANNs were compared with the Sobel operator and Canny algorithm.
|
|---|
