Detección y clasificación automatizada de bocas de túneles en ortofotografías del PNOA mediante redes neuronales convolucionales

Resumen

La identificación automática de elementos relativos a redes de transporte ha ganado gran relevancia en el campo de la planificación y gestión de infraestructuras debido a la creciente demanda de eficiencia en estas tareas. Este proyecto tiene como objetivo desarrollar un sistema automatizado de detección, que emplea técnicas de aprendizaje profundo para detectar y clasificar bocas de túneles a partir de ortofotos de alta resolución, proporcionadas por el Plan Nacional de Ortofotografía Aérea (PNOA).

El trabajo se inicia con la automatización del proceso de descarga de ortofotos mediante el uso de servicios WMS, utilizando herramientas geoespaciales como QGIS y librerías especializadas como GDAL/OGR para tratar estos datos. Los puntos de interés, obtenidos de datos geográficos de redes de transporte subterráneas, se emplean para centrar las descargas de imágenes de 512 x 512 píxeles y una resolución espacial de 25 cm por píxel. Tras este proceso se procede a la elaboración del conjunto de datos de entrenamiento. Para ello se ha trabajado con la herramienta LabelMe para la identificar y etiquetar las infraestructuras consideradas.

El proyecto continúa con el entrenamiento del modelo de aprendizaje profundo en YOLOv8 OBB (Oriented Bounding Box) para la detección de bocas de túneles en las imágenes descargadas. Una vez completado el entrenamiento, el modelo será validado en áreas geográficas no utilizadas en los datos de entrenamiento. Esta fase de validación incluye la verificación semiautomática de los resultados en QGIS, evaluando la precisión del modelo para detectar correctamente las bocas de túneles y cuantificando la tasa de falsos positivos y negativos.

Finalmente, a través de los resultados obtenidos se ha evaluado detalladamente el modelo propuesto, proporcionando datos y conclusiones sobre los resultados logrados. En conclusión, este modelo ha proporcionado resultados prometedores, llegando a detectar y clasificar correctamente el 68,3% de las bocas de túneles, un logro que deja ver el alcance que puede tener el modelo debido al gran potencial de mejora que tiene este.

Abstract:

The automatic identification of elements related to transport networks has gained great relevance in the field of infrastructure planning and management due to the growing demand for efficiency in these tasks. This project aims to develop an automated detection system that uses deep learning techniques to detect and classify tunnel portals from highresolution orthophotos provided by the National Aerial Orthophotography Plan (PNOA).

The work starts with the automation of the orthophoto download process using Web Map Service (WMS) and geospatial tools, such as QGIS, together with specialised libraries such as GDAL/OGR to process these data. The points of interest, obtained from geographic data of underground transport networks, are used to centre the image downloads of 512 x 512 pixels and a spatial resolution of 25cm per pixel. After this process, the training dataset is prepared, for which the LabelMe tool has been used to identify and label the considered infrastructures.

The project continues with the training of the deep learning model in YOLOv8 OBB (Oriented Bounding Box) for the detection of tunnel portals in the downloaded images. Once the training is completed, the model will be validated in geographical areas not used in the training data. This validation phase includes the semi-automatic verification of the results in QGIS, evaluating the accuracy of the model to correctly detect tunnel portals and quantifying the rate of false positives and negatives.

Finally, through the results obtained, the proposed model has been evaluated in detail, providing data and conclusions on the results achieved. In conclusion, this model has provided promising results, detecting and classifying 68.3% of the tunnel portals correctly, an achievement that shows the scope that the model can have due to its great potential for improvement.