Anàlisi d'imatges de les canonades subterrànies de Catalunya amb models d'IA

Abstract

Aquest Treball de Fi de Màster es centra en la construcció de models d’aprenentatge automàtic per a la predicció del nivell d’embrutiment de la xarxa clavegueram de Catalunya. En concret, els models creats han estat xarxes neuronals convolucionals. Per tal de desenvolupar aquest projecte, s’han seguit les fases que conformen la metodologia més utiltizada en projectes de ciència de dades, coneguda com a CRISP-DM (Cross-Industry Standard Process for Data Mining). Per tal de poder entrenar i avaluar els models estudiats, s’ha partit de les dades cedides per l’organització CETAQUA (Centre Tecnològic de l’Aigua). Els diferents models de xarxa neuronal convolucional, s’han programat en el llenguatge de programació Python i, més concretament, utilitzant la llibreria PyTorch. Primer s’han utilitzat les estructures dels models més famosos de xarxes neuronals convolucionals. A continuació, també s’ha intentat desenvolupar un model des de zero per tal d’aprofundir en el domini de les xarxes neuronals i disposar d’una major versatilitat a l’hora de conformar la xarxa neuronal. A més a més, també s’han aplicat tècniques de transfer learning per tal de millorar la xarxa. Els models s’han entrenat i avaluat seguint el mètode de validació hold-out, emprant un 90% de les dades per a l’entrenament (Traning Set), el 5% de les dades per al conjunt de validació (Validation Set) i el 5% restant de dades per al conjunt d’avaluació (Test Set). La millor xarxa obtinguda ha estat la ResNet18 de Microsoft amb transfer learning i feature extraction. Aquest treball també posa de manifest la gran necessitat de les xarxes neuronals convolucionals de disposar de grans quantitats de dades que no solen estar a l’abast de tothom així com la capacitat de còmput que s’oferta de manera gratuïta.