1560
IEEE LATIN AMERICA TRANSACTIONS, VOL. 12, NO. 8, DECEMBER 2014
Leak Detection of Natural Gas Using the
Components of Color Spaces RGB and HSI and
a Novelty Classifier
R. O. Melo, C. F. F. Costa and M. G. F. Costa
1
Abstract— This paper proposes a method of detecting natural
gas leak in oil installations, applying pattern recognition
techniques to digital images using the concept of novelty classifier
with digital images originated from Closed-Circuit Television of
installation. For this, it was developed six different types of
novelty classifiers. The difference between these classifiers is the
color component of color space (RGB or HIS) used for novelty
classifier training. The results obtained are promising, with an
accuracy of 98.52%.
Keywords— natural gas, digital images, novelty classifier,
closed-circuit television system.
A
I. INTRODUÇÃO
INDÚSTRIA mundial de petróleo e gás é uma das
atividades mais complexas e perigosas devido às
características intrínsecas dos hidrocarbonetos, tais como:
toxicidade, inflamabilidade e velocidade e energia de explosão
[1]. A ocorrência de vazamentos de gás em instalação
petrolífera pode gerar consequências indesejáveis tanto
financeiras, ambientais quanto perdas de vidas humanas [2].
Portanto, a detecção de vazamento de Gás Natural (GN) é de
grande importância para indústria petrolífera, tanto no que se
refere à economia quanto à segurança de seus trabalhadores.
O GN é uma fração do petróleo no estado gasoso, sendo
composto por uma mistura de diversos hidrocarbonetos, cujas
, para n variando
moléculas simples estão na forma
entre um e quatro. Entre os hidrocarbonetos presentes no GN,
o metano responde por cerca de 70%. Esse gás apresenta
limite inferior e superior de inflamabilidade de 5% e 15%,
respectivamente, e energia mínima para ignição de 250 [3].
presente no GN, diversos
Dado o volume da molécula de
métodos para detecção de gás natural baseiam-se na detecção
do vazamento de metano para a atmosfera, tais como:
• Método Catalítico, proposto pelo Safety in Mines
Research Establishment (SMRS) [4];
• Método de Absorção do espectro infravermelho, descrito
por [5];
• Método de Processamento digital de imagem,
apresentado pelo o U.S. Department of Energy (DOE),
em conjunto com o Sandia of National Laboratories do
National Security Missions [6]. O sistema de detecção
1
R. O. Melo, Centro de Tecnologia Eletrônica e da Informação,
Universidade Federal do Amazonas (UFAM), Amazonas, AM, Brasil,
[email protected]
C. F. F. Costa, Centro de Tecnologia Eletrônica e da Informação,
Universidade Federal do Amazonas (UFAM), Amazonas, AM, Brasil,
[email protected]
M. G. F. Costa, Org: Centro de Tecnologia Eletrônica e da Informação,
Universidade Federal do Amazonas (UFAM), Amazonas, AM, Brasil,
[email protected]
proposto foi denominado de Backscatter Absorption Gas
Imaging (BAGI).
Os vazamentos de GN bruto tornam-se visíveis ao ser
humano em forma de uma nuvem branca ou neblina em duas
circunstâncias: quando o gás entra em contanto com a
atmosfera, induzindo a condensação do ar; quando o mesmo
está em forma de aerossol, no estado de gás condensado [7].
Este trabalho propõe detectar essa nuvem branca gerado pelo
gás metano ao entrar em contato com o ar, utilizando o
conceito de filtro de novidade desenvolvido por [8]. As
imagens a serem utilizadas são imagens digitais de vazamento
de gás natural capturadas da área da cabeça de poço
petrolífero. Essas imagens são originárias de um sistema
existente Closed-Circuit Television (CCTV) com Charge
Coupled Device (CCD).
Portanto, este trabalho vem complementar os estudos
apresentados por em [9] e [10], objetivando:
• Identificar a componente dos espaços de cores (RGB e
HSI) que melhor caracteriza um vazamento de gás
natural, dado que nos trabalhos de [9] e [10] eles
utilizaram apenas a componente I espaço de cores HSI;
• Avaliar a confiabilidade do sistema perante a diversidade
de cenários intrínsecos a área do poço, tais como:
imagens diurnas e noturnas, tanto com a presença de
pessoas como com a presença de chuva, uma vez que os
trabalhos de [9] e [10] não abordaram tais situações;
Uma breve descrição do conceito de filtro de novidade e a
métrica de desempenho adotada são descritas na Seção 2 . Na
Seção 3 é abordada a metodologia adotada neste artigo para
aplicar o filtro de novidade na detecção de vazamento de GN.
A Seção 4 expõe os resultados e discussão. Finalmente, na
Seção 5 são apresentadas as considerações finais.
II. CONCEITO DE FILTRO E CLASSIFICADOR DE NOVIDADE
Na literatura, inúmeros estudos em diversas áreas já foram
desenvolvidos tendo como base a aplicação de filtro de
novidade descrito por [8]. A seguir, com base no método
clássico de ortogonalização Gram-Schmidt [11], é descrito o
conceito de filtro de novidade desenvolvido por [8].
∈
, , ,…,
um conjunto de vetores
Seja
euclidianos de dimensão
que geram um subespaço
de
dimensão , onde ⊂
, tal que
< . Considerando o
subespaço
, um vetor arbitrário,
∈
, pode ser
decomposto em duas componentes e , onde ∈ e ⊥
que é a projeção perpendicular de em relação à . O vetor
∈ representa a componente de que é “conhecida” pelo
subespaço e pode ser representada pela combinação linear
OLIVEIRA MELO et al.: LEAK DETECTION OF NATURAL
de
, ,
no espaço
1561
. A Fig. 1 ilustra essas duas componentes
,…,
.
~
x
L
x
~
x⊥ L
x = ~
x + xˆ
x̂
Figura 1. Ilustração do conceito de filtro de novidade no espaço
.
Onde, o vetor ⊥ representa a informação “nova”, que é
“desconhecida” pelo subespaço e não pode ser representado
, , ,…,
. Assim,
como uma combinação linear de
considerando o subespaço ,
é chamado de novidade e o
sistema que extrai esta componente de e a apresenta em sua
saída pode ser chamado de Filtro de Novidade.
Para se determinar as componentes e de um vetor , é
utilizado o processo de ortogonalização de Gram-Schmidt
[11]. Considerando um conjunto de
vetores independentes
, , ,…,
, a base , pode-se obter
vetores
ortogonais
, , ,…,
através do procedimento
descrito pelas equações (1) e (2):
(1)
=
=
onde,
,
,
−
,
,
.
.
,
(2)
= 2,3,
é a projeção de
em
.
Logo, dado um vetor de amostra
“novidade” é calculada como o passo
descrito na equação (2), ou seja, =
na equação (3).
=
−
,
,
.
, sua componente
+ 1 do processo
, tal como descrito
(3)
Portanto, a magnitude do vetor , ‖ ‖, pode usada como
medida de dissimilaridade, pois quanto menor a magnitude de
‖ ‖, mais próximo este será a base , , , … ,
∈
,
consequentemente o vetor arbitrário
possui elevada
combinação linear com os m vetores que foram à base
vetorial.
uma amostra x pode ser classificada como pertencendo ou não
a classe utilizada para treinamento do filtro de novidade, como
ilustrado no diagrama de blocos da Fig. 2. Se a saída do
diagrama em blocos da Fig. 2 for igual a 0, a imagem pertence
à classe de imagens utilizada para treinamento do filtro de
novidade (imagens sem vazamento). Caso contrário, se a saída
for igual a 1, a imagem não pertence à classe de imagens
utilizada para treinamento do filtro de novidade e, portanto, é
uma imagem com vazamento.
x
Filtro de
Novidade
~
x
Extração da
Norma
~
x
Limiar de
Decisão
1 ou 0
Figura 2. Ilustração do classificador de novidade.
A princípio espera-se que as normas das imagens que
pertencem à mesma classe do treinamento do filtro sejam
menores do que as normas dos padrões que não pertencem à
essa classe. Portanto, um limiar ótimo será determinado para
separar esses dois subconjuntos. Neste trabalho, o limiar ótimo
foi determinado utilizando o conceito de curva ROC (Receiver
Operating Characteristic) que maximiza a sensibilidade e
especificidade do classificador de novidade.
B. Desempenho do Classificador
De acordo com [12], o conceito de desempenho pode ser
interpretado como a frequência na qual um algoritmo produz
decisões corretas. Nesse contexto, o melhor algoritmo é aquele
que produz decisões corretas com mais frequência que outro
algoritmo.
Neste trabalho avalia-se qual dos algoritmos constituídos
pelas componentes R, G, B, H, S e I (dos espaços de cores
RGB e HSI) melhor classifica um vazamento de gás natural. A
métrica utilizada para determinar o desempenho destes filtros
de novidade foi à curva ROC de [13].
ROC é uma ferramenta robusta utilizada para visualizar,
avaliar e comparar o desempenho entre modelos de
classificação. A curva ROC é expressa através de um gráfico,
onde o eixo das abscissas corresponde a (1-especificidade) e o
eixo das ordenadas equivale à sensibilidade, compondo assim
um plano unitário, conforme mostrado na Fig. 3.
A. O Classificador de Novidade
Em termos de reconhecimentos de padrões, a norma do
vetor novidade, ‖ ‖, pode ser aplicada para solucionar
problemas nos quais se deseja classificar um padrão como
pertencente ou não à classe utilizada para o treinamento do
filtro de novidade. Nesse trabalho pretende-se aplicar o filtro
de novidade para classificar uma imagem da cabeça do poço
como sendo uma imagem com ou sem vazamento de gás
natural. Neste trabalho, a classe de treinamento do filtro de
novidade foi formada por imagens que não possuem
vazamento de gás de natural. A um classificador assim
descrito, conforme mostrado na Fig.2, damos o nome de
classificador de novidade.
Realizado então o treinamento do filtro de novidade é
possível apresentar a este um conjunto de imagens de testes
formadas por imagens com e sem vazamento de GN e obter
seus respectivos valores de norma. Em seguida, após o treino,
Xc
Figura 3. ROC (Receiver Operating Characteristic).
Portanto, pelo gráfico da Fig. 3 é possível determinar o
ponto de decisão ( , valor de corte) que melhor classifica
uma amostra em uma entre duas classes possíveis. Esse ponto
é definido como sendo o ponto mais próximo de
sensibilidade=especificidade=1 [12].
1562
IEEE LATIN AMERICA TRANSACTIONS, VOL. 12, NO. 8, DECEMBER 2014
Ainda, de acordo com [12] e [13], o desempenho de um
classificador pode ser obtido simplesmente determinando a
área sob a curva ROC (AUC do inglês: Area Under ROC
Curve). Um classificador ideal terá uma AUC=1
III. SISTEMA DE RECONHECIMENTO DE PADRÕES PROPOSTO
O sistema de reconhecimento de padrões de vazamento de
gás natural proposto é baseado em seis etapas, conforme
diagrama de blocos da Fig. 4, as quais serão descritas a seguir.
Da área da wellhead foi obtido um conjunto formado por
3.060 imagens, construído por dois subconjuntos ou duas
classes de imagens em diferentes condições conforme
detalhado na Tabela 1. A partir das imagens originais foram
extraídas suas respectivas Regiões de Interesse (ROI). A Fig. 6
apresenta alguns exemplos destes cenários.
TABELA I. CONJUNTO DE IMAGENS COLETADAS DA ÁREA DO WELLHEAD:
CLASSE COM E SEM VAZAMENTO DE GN SOB DIFERENTES CENÁRIOS
CLASSE
PERÍODO
DIURNO
NOTURNO
TOTAL
CENÁRIO
SEM
COM
DE
VAZAMENTO
IMAGENS
SEM RUÍDOS
VAZAMENTO
500
250
750
HUMANOS
250
200
450
CHUVA
250
250
500
250
60
310
250
--
250
250
200
450
CHUVA E
HUMANOS
SEM RUÍDO
E SEM IR
HUMANOS E
SEM IR
COM IR
250
100
350
2.000
1.060
3.060
Figura 4. Sistema de reconhecimento de padrões de vazamento de gás natural.
A. Aquisição de Imagens e Extração da Região de Interesse
O método proposto para detecção de vazamento de GN foi
aplicado às imagens obtidas por meio do CCTV oriundas da
câmera Yokogawa®, cuja resolução especial do elemento
CCD é 320x240 pixels, conforme Fig. 5a.
(a)
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(b)
Figura 5. (a) imagem do original do poço (b) Região de interesse selecionada
(ROI – region of interest).
Em seguida, as imagens foram segmentadas para 184x160
pixels, delimitando a região de interesse sobre a wellhead
(cabeça do poço), no intuito de reduzir falsos positivos
oriundos de regiões que contenham nuvens do “céu”, que são
“similares” a nuvem branca gerada pelo vazamento de GN. A
delimitação da região de interesse objetiva também reduzir os
ruídos provocados pela vegetação presente, conforme
exemplificado Fig. 5b.
Vale ressaltar que, no intuito de evitar acidentes ou danos
ao meio ambiente, o volume de GN liberado nas simulações
de vazamento foi o mínimo necessário para coleta dos dados a
serem aplicados neste estudo, sendo a simulação de vazamento
realizada por meio de abertura de uma válvula agulha
localizada na wellhead.
Figura 6. Amostra de imagens coletadas da área do poço: (a) diurna livre de
ruído, (b) noturna livre de ruído e sem IR, (c) noturna com vazamento e IR,
(d) diurna com chuva, (e) diurna com chuva e vazamento, (f) diurna com
vazamento, (g) diurna sem vazamento e com pessoa e (h) diurna com chuva e
pessoa.
A câmera do CCTV fornece imagens no espaço de cores
RGB, favorecendo assim a extração das matrizes
correspondentes as componentes R, G e B. Posteriormente,
OLIVEIRA MELO et al.: LEAK DETECTION OF NATURAL
1563
através de rotina desenvolvida no Matlab®, são extraídas as
demais matrizes referentes as componentes H, S e I do espaço
de cor HSI. Adotando o procedimento descrito por [9] estas
matrizes de dimensão 184,160 foram convertidas em
vetores colunas de dimensão 29440,1 , propiciando assim
aplicação do filtro de novidade a imagens. A implementação
do filtro de novidade foi efetuada no Matlab®.
Portanto, a partir das seis componentes R, G, B, H, S e I foi
possível constituir seis filtros de novidade distintos. O que
diferencia um filtro do outro é justamente a componente com a
qual o mesmo é treinado, ou seja, a componente que forma a
sua base.
No teste do classificador o filtro que foi treinado com a
metade A é testado a metade B. Já o filtro que foi treinado
com a metade B é testado com a metade A. Esse esquema de
treinamento e teste é mostrado na Fig. 7.
Conjuntos de Dados
Metade-A
Metade-B
Treinamento
Treinamento
Teste
Teste
B. Metodologias para Treinamento e Teste
De acordo com a forma que os dados são organizados,
diversas metodologias podem ser empregadas para o
treinamento e teste de um classificador, tais como: “deixa uma
de fora” (leave-one-out), “metade-metade” (holdout) e
“validação-cruzada” (cross-validation) [14].
Neste trabalho, em virtude da quantidade significativa de
imagens (3.060 imagens) que formam o conjunto global de
imagens padrões, adotou-se a metodologia metade-metade.
Quando
(número de amostras) é grande recomenda-se
utilizar a metodologia “metade-metade” (holdout), que
consiste em utilizar metade dos dados para treinamento e
metade dos dados para teste [14].
De posse dos conjuntos de dados (imagens), conforme
apresentados na Tabela I, o banco de dados de cada
componente (R, G, B, H, S e I) foi dividida randomicamente
em duas partes iguais, formando então dois subconjuntos A e
B, conforme exemplificado na Tabela II.
TABELA II. DIVISÃO DO CONJUNTO DE IMAGENS PARA TREINAMENTO.
CLASSE
PERÍODO
DIURNO
NOTURNO
TOTAL
SEM
COM
DE
VAZAMENTO
A
B
VAZAMENTO
IMAGENS
A
B
SEM RUÍDOS
250
250
125
125
750
HUMANOS
125
125
125
125
450
CHUVA
125
125
125
125
500
125
125
30
30
310
125
125
--
125
125
100
125
125
1.000 1.000
CENÁRIO
CHUVA E
HUMANOS
SEM RUÍDO
E SEM IR
HUMANOS E
SEM IR
COM IR
2.000
Desempenho (ROC)
Figura 7. Esquema utilizado para o
novidade.
treinamento e teste dos filtros de
O desempenho de um filtro relativo a uma componente de
cor é calculado, então como uma média do desempenho dos
dois classificadores descritos anteriormente, de acordo com a
equação (4). Nessa equação, o critério de desempenho
utilizado foi a área sob a curva de ROC(AUC) .
=
1
∙
2
(4)
A fim de determinar a variabilidade do classificador,
utilizou-se neste trabalho o erro padrão (SE, do inglês:
Standard Error) da AUC [15]. Para o cálculo desse desvio
padrão considera-se o tamanho das amostras utilizadas nos
testes do classificador: número de amostras sem vazamento ou
e número de amostras com vazamento ou
normais n
anormais n . A partir destas informações foi determinado o
erro padrão de cada curva ROC por meio da equação (5), onde
θ = AUC.
∙ 1−
+
−1 ∙
SE =
+
− 1 ∙ 2.
2−
1+
−
+
(5)
−
250
100
450
50
50
350
530
530
1.060
3.600
Para cada componente foram treinados dois filtros de
novidade. Por exemplo, para a componente R, foi treinado um
filtro com uma base constituída pela metade A das imagens
sem vazamento de GN e o outro filtro treinado com uma base
constituída pela metade B das imagens da componente R sem
vazamento de GN.
C. Detecção da região, na imagem, onde ocorreu o
vazamento de GN
Uma vez que o classificador de novidade detecta se um
vazamento de gás natural está presente em uma imagem, é
possível realçar a região da imagem em que o vazamento
ocorre. Neste estudo, esta região é chamada de “região de
novidade”. O processo adotado para realçar esta região é
descrito nos seguintes passos: Converte-se o vetor novidade,
, em uma matriz novidade, , com dimensões 184x160,
conforme procedimentos descritos por [10]; Converte-se a
matriz novidade, , em uma imagem novidade com pixels na
escala cinza na faixa de 0 a 255; Aplica-se um filtro de
1564
IEEE LATIN AMERICA TRANSACTIONS, VOL. 12, NO. 8, DECEMBER 2014
mediana para remover o ruído; Limiariza-se a imagem
novidade aplicando um limiar correspondente ao valor médio
desta imagem.
padrões (SE) de cada grupo de treinamento do respectivo filtro
de novidade, assim como o erro padrão global deste
classificador.
IV. RESULTADOS
TABELA III. RESUMO DAS MÉTRICAS DE DESEMPENHO DOS CLASSIFICADORES
R, G, B, H, S E I.
Para cada componente dos espaços de cores RGB e HSI, foi
construída uma curva de ROC correspondente, conforme
mostrado na Fig. 8.
(a)
(c)
(b)
(d)
FILTRO
GRUPO A
GRUPO B
AUC
SE DO
FILTRO
DE
NOVIDADE
AUC
SE
AUC
SE
FILTRO
R
99,25%
0,26%
97,80%
0,45%
98,52%
0,37%
G
97,82%
0,45%
97,27%
0,50%
97,55%
0,47%
B
77,11%
1,33%
78,62%
1,30%
77,86%
1,31%
H
66,91%
1,49%
64,26%
1,51%
65,58%
1,50%
S
28,57%
1,30%
69,95%
1,45%
49,26%
1,54%
I
98,81%
0,33%
98,06%
0,42%
98,43%
0,38%
DO
A partir dos dados da Tabela 3 foi possível constatar que,
dentre os classificadores de novidade propostos para detecção
de vazamento de GN, o filtro de novidade R possui o maior
poder de discriminar uma imagem com vazamento de uma
imagem sem vazamento de GN, apresentado um desempenho
global AUC(R) = 98,52% e SE(R)=0,37%, seguido pelo filtro
de novidade I com AUC(I)=98,43% e SE(I)=0,38%.
Definido a componente R como a melhor componente dos
espaços de cores RBG e HSI que caracteriza um vazamento de
GN, segmentou-se a área onde ocorreu tal evento, conforme
mostrado nas Fig. 9 e Fig.10.
(a)
(b)
(c)
Figura 9. Realce da região novidade: (a) imagem original com vazamento de
GN diurna; (b) imagem de novidade; (c) Detecção de região com vazamento.
(e)
(f)
Figura 8. Curva ROC dos Filtros de Novidade (FN) baseados nas
componentes R, G, B, H, S e I: (a) componente R; (b) componente G; (c)
componente B; (d) componente H, (e) F componente S e (f) componente I.
A Tabela 3 apresenta as informações das métricas obtidas
para cada classificador de novidade, por meio de suas
respectivas curvas ROC. A penúltima coluna desta tabela
expressa AUC global=acurácia do filtro de novidade em
função da componente utilizada pelo filtro, sendo determinada
a partir da equação (4). Esta tabela também apresenta os erros
(a)
(b)
Figura 10. Realce da região novidade: (a) imagem original com vazamento de
GN nortuna; (b) Detecção de região com vazamento.
OLIVEIRA MELO et al.: LEAK DETECTION OF NATURAL
V. CONCLUSÃO
Este trabalho teve por objetivo principal contribuir para a
literatura existente sobre detecção de vazamento de GN,
apresentando uma técnica de detecção de vazamento de gás
natural por meio de um sistema de reconhecimento de padrões
baseado no classificador de novidade, utilizando imagens
digitais.
Para tanto, foram desenvolvidos seis tipos distintos de
classificadores de novidade. A diferença entre estes
classificadores está no tipo de componente dos espaços de
cores RGB e HSI utilizado na formação da base de
treinamento dos respectivos filtros.
Com base nas análises comparativas objetivas que foram
realizadas em termos de AUC e SE, constatou-se que, dentre
as componentes R, G, B, H, S e I, a que melhor caracteriza um
vazamento de gás é a componente R, apresentando a acurácia
de 98,52% e erro padrão de 0,37%, sendo o que o classificador
de novidade R cuja base foi formada pelo Grupo A apresentou
AUC=99,253%.
Futuramente pretende-se aplicar outros métodos de
processamento digital de imagem e reconhecimento de
padrões para detectar o vazamento de gás natural e comparar o
desempenho desses métodos com aquele que foi ora
desenvolvido.
REFERÊNCIAS
[1]
K. W. Bowyer, "Validation of Medical Image Analysis Techniques,"
vol. 2, M. Sonka and J. M. Fitzpatrick, Eds., Washington, Handbook of
Medical Imaging, 2002, pp. 567-607.
[2]
B. K. Sovacool, "The cost of failure: a preliminary assessment of major
energy accidents," Energy Policy, no. 36, p. 1802–1820, 2008.
[3]
M. G. Zabetakis, "Flammability characteristics of combustible gases
and vapors," Bulletin 627, Bureau of Mines, U.S. Government Printing
Office, Washington, 1965.
[4]
J. G. Firth, A. Jones and T. A. Jones, "The principles of the detection of
flammable atmospheres by catalytic devices," Combustion and Flame,
vol. 21, no. 3, pp. 295-414, 1973.
[5]
A. Krier and V. V. Sherstnev, "Powerful interface light emitting diodes
for methane gas detection," Journal of Physics D: Applied Physics, vol.
33, no. 2, pp. 101-106, 2000.
[6]
T. G. McRae and T. J. Kulp, "Backscatter absorption gas imaging: a
new technique for gas visualization," Journal of the Optical Society of
America, Applied Optical, vol. 32, pp. 4037-4050, 1993.
[7]
C. E. H. Ross and L. E. Solan, Terra Incognita: A Navigation Aid for
Energy Leaders, Oklahoma: Penn Well Corporation, 2007.
[8]
T. Kohonen and E. Oja, "Fast adaptive formation of orthogonalizing
filters and associative memory in recurrent networks of neuron-like
elements," Biological Cybernetics, vol. 25, no. 2, pp. 85-95, 1976.
[9]
R. O. Melo, C. F. F. Costa and M. G. F. Costa, "Aplicação do filtro de
novidade de Kohonen para detecção de vazamento de gás natural," in
IEEE 4th Petroleum and Chemical Industry Conference, Rio de Janeiro,
2012.
[10]
C. F. F. Costa, R. O. Melo and M. G. F.Costa, "Detecting natural gas
leaks using digital images and novelty filters," Lecture Notes in
Artificial Intelligence Series, no. 7326, pp. 242-249, 2012.
[11]
T. Kohonen, Self-Organization and Associative Memory, 3rd ed., New
York: Springer-Verlag, 1989.
[12]
K. W. Bowyer, "Validation of Medical Image Analysis Techniques," in
Handbook of Medical Imaging, vol. 2, Washington, SPIE, 2000, pp.
567-607.
[13]
C. E. Metz, "Basic Principles of ROC Analysis," Seminars in Nuclear
Medicine, vol. 8, no. 4, pp. 283-298, 1978.
1565
[14]
A. Bradley, "The use of the area under the ROC curve in the evaluation
of machine learningalgorithms," Pattern Recognition, vol. 30, no. 7, p.
1145–1159, 1997.
[15]
J. A. Hanley and B. J. McNeil, "The meaning and use of the area under
a Receiver Operating Characteristic (ROC) curve," Radiology, vol. 143,
no. 1, pp. 29-36, 1982.
Roberlânio de Oliveira Melo é graduado em Engenharia
Elétrica pela Universidade Paulista (UNIP), em 2009. Obteve
o título Mestre em Engenharia Elétrica pela Universidade
Federal do Amazonas (UFAM), Manaus, Amazonas, Brasil,
em 2012. Atualmente atua na área exploração e produção de
petróleo desenvolvendo projetos de automação visando o
desenvolvimento da produção. Professor adjunto da UNIP
desde 2012 e elaborador de itens do ENADE no ano de 2014. Sua área de
pesquisa é inteligência artificial, processamento de imagens e automação via
wireless.
Cícero Ferreira Fernandes Costa Filho possui graduação
em Engenharia Elétrica pela Universidade Federal de
Pernambuco (1982), mestrado em Engenharia Elétrica pela
Universidade Estadual de Campinas (1985) e doutorado em
Engenharia Elétrica pela Universidade Estadual de Campinas
(1996). Atualmente é professor associado da Universidade
Federal do Amazonas e Diretor do Centro de P&D em
Tecnologia Eletrônica e da Informação – CETELI/UFAM. Sua área de
pesquisa no mestrado em Engenharia Elétrica é inteligência artificial e
processamento de imagens. Nas suas pesquisas aplica conceitos dessas duas
áreas para resolução de problemas em automação industrial e engenharia
biomédica.
Marly Guimarães Fernandes Costa possui graduação em
Engenharia Elétrica pela Universidade Federal do Amazonas
(1983), mestrado em Engenharia Elétrica, área de
concentração telecomunicações, pela Universidade Estadual
de Campinas (1988) e doutorado em Engenharia Elétrica,
área de concentração automação, pela Universidade Estadual
de Campinas (1996). Professora associado da Universidade
Federal do Amazonas e Vice-Reitora da Universidade Estadual do Amazonas.
Tem experiência na área de Processamento de digital de imagens,
Reconhecimento de Padrões, Engenharia Biomédica e Gestão de Ciência e
Tecnologia, atuando principalmente nos seguintes temas: diagnóstico e
automação por imagem.