fbpx
Sigmoidal
  • Home
  • CursosNOVO
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
  • Home
  • CursosNOVO
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
Sigmoidal
Sem Resultado
Ver Todos Resultados
Home Artigos Machine Learning Deep Learning

Aplicações de Deep Learning no Espaço

Carlos Melo por Carlos Melo
agosto 24, 2019
em Deep Learning
1
Aplicações de Deep Learning no Espaço
10
COMPARTILHAMENTOS
317
VIEWS
Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

Deep Learning e Python, como não é novidade para você, têm aplicações possíveis em qualquer setor ou área de pesquisa.

Satélite de sensoriamento remoto SAR (Radar de Abertura Sintética), da empresa ICEYE.

Mesmo quem não é da área da Inteligência Artificial já ouviu falar dos carros autônomos e sobre diagnósticos médicos gerados por computadores.

Entretanto, tem uma área menos conhecida pela maioria, mas que tem contribuído fortemente com os avanços em Deep Learning: a área espacial.

Com o Brasil caminhando a passos largos nessa área, vou trazer para você algumas aplicações de Deep Learning no Setor Espacial.

Aposto que você nunca tinha pensado nessa oportunidade de carreira, certo?

Localização de novos planetas

Um artigo científico publicado por Shallue e Vanderburg no The Astronomical Journal apresentou, em 2018, um método para identificar novos planetas usando Deep Learning.

Deep Learning e Python no espaço. Descobrindo novos planetas.

Esse estudo conjunto entre cientistas da Nasa e do Google analisou perturbações orbitais mínimas detectadas pelo Telescópio Kepler, e descobriu um sistema com 8 planetas desconhecidos.

Analisar perturbações não é algo novo, mas ao aplicar essa metodologia a redes neurais profundas, eles atingiram inéditos 98,8% de precisão.

Deep Learning e Python no espaço. Descobrindo novos planetas.
Pesquisadores da NASA e Google descobriram novos planetas usando técnicas de Deep Learning.

Atualmente, Deep Learning é o estado da arte para a descoberta de corpos celestes.

Detecção Automática de Objetos

A detecção de objetos a partir de imagens de satélites tem obtido excelentes resultados por meio de redes profundas de Deep Learning.

Detecção de objetos com Deep Learning e Python (imagens de satélite)
Detecção de objetos em imagens de satélites usando Deep Learning.

Há na literatura exemplos de aplicações tanto para imagens ópticas (pancromática, multiespectral e hiperespectral) quanto SAR (radar de abertura sintética).

Redes Neurais Convolucionais (CNN) são o estado-da-arte nas mais diversas áreas, abrangendo desde a detecção de icebergs no mar até a identificação de alvos militares .

Identificação de navios e icebergs usando Redes Neurais Convolucionais em imagens SAR (Bentes et al, 2016).

Eu uso e recomendo a API do Tensorflow para Object Detection. Aparentemente complexa quando você começa a usar, ela é um framework fantástico!

Atualmente, esta é minha área de pesquisa preferida.

Aproximação e acoplagem de naves espaciais

Sabe aquela cena de filme quando uma nave acopla na outra, com aquele encaixe milimetricamente perfeito?

Manobras de acoplamento são aquelas que estabelecem contato físico entre duas naves espaciais.

Visualmente fácil, na verdade não é tão simples como estacionar um carro na sua garagem. Esse procedimento envolve cálculos extremamente complexos.

Se você imaginar que a Estação Espacial Internacional está a mais de 20 mil km/h e com toneladas de massa, dá para imaginar o risco da operação.

Deep Learning e Python para auxiliar no acoplamento de naves espaciais.
Deep Learning aplicado no procedimento de acoplamento entre duas naves espaciais.

Nick Evers mostrou neste artigo seu artigo como Deep Learning pode ser usado nesse procedimento de acoplamento.

Usando uma rede neural inspirada no algoritmo YOLO, ele disponibilizou ainda um notebook detalhado em Python com seu projeto.

Python e Deep Learning

Como já disse no meu eBook, Python é a linguagem mais usada para Data Science no mundo atualmente. Da mesma maneira, é a mais usada em problemas envolvendo o espaço também.

Kaggle, Python e Deep Learning: Setor Espacial.
Desafios do Kaggle da área espacial. Como esperado, a maioria dos notebooks adotaram Python como linguagem.

Se você olhar no Kaggle, há diversos problemas dessa natureza. Na imagem acima estão dois exemplos recentes: um envolvendo detecção de navios no mar e outro envolvendo classificacão de dados astronômicos.

Nem só de notebooks vive um cientista de dados.

Os principais softwares usados para a área espacial são amigáveis à linguagem Python, seja por meio de APIs ou nativamente.

STK para o planejamento de missões espaciais

A principal ferramenta para a área é com certeza o STK da empresa AGI.

Python e Deep Learning para o espaço.
STK da empresa AGI, o principal software para o Setor Espacial.

Ela permite fazer desde um simples cálculo de propagação de órbita até o planejamento de um pouso em Marte.

Permite ainda a criação de scripts em Python dentro do próprio programa, servindo para automatizar rotinas ou mesmo criar modelos de Deep Learning.

ArcGIS Pro para análises GIS

Outra ferramenta muito usada para análise de imagens de satélites é o ArcGIS Pro da ESRI (vendido no Brasil pela representante Imagem).

O ArcGIS é um software muito poderoso que já possui os principais filtros para processamento e tratamento de imagem para análises GIS (Sistema de Informação Geográfica).

Python e Deep Learning para detecção de objetos
ArcGIS Pro possui ambiente Conda (Python), integração com Tensorflow e arquiteturas Deep Learning.

É possível criar seus datasets de objetos (desenho das bounding boxes dentro da própria ferramenta) e treinar suas arquiteturas Deep Learning nativamente.

Possui também ambiente Conda com as principais bibliotecas, integração com Tensorflow e API pra desenvolvedores.

O Brasil e o Setor Espacial

Nos últimos anos, o país vem avançado rapidamente no Setor Espacial.

A criação do Programa de Sistemas Espaciais (PESE) pela Força Aérea Brasileira (FAB) foi uma das principais responsáveis por esse avanço.

Programa Estratégico de Sistemas Espaciais: Criado pela Força Aérea Brasileira para atender as necessidades da sociedade brasileira e das Forças Armadas.
Programa Estratégico de Sistemas Espaciais: Criado pela Força Aérea Brasileira para atender as necessidades da sociedade brasileira e das Forças Armadas.

Englobando serviços como comunicações, sensoriamento remoto, entre outros, o PESE vai permitir ao Brasil adquirir a capacidade de projetar, construir e lançar satélites e foguetes lançadores.

Isso representa uma ótima oportunidade para a nação, pois o Brasil aumentará o seu consumo de produtos e serviços espaciais.

SGDC, o primeiro satélite sob total controle do Brasil e sob o controle da Força Aérea Brasileira.

Soluções para a agricultura, meteorologia e comunicações (principalmente) envolvendo o uso de satélites serão cada vez mais demandadas.

Quanto tempo até vermos as primeiras startups do Setor Espacial por aqui?

Se você me segue no Instagram, sabe que eu trabalho no Centro de Operações Espaciais em Brasília. Tenho acompanhado de perto as evoluções no Setor e posso afirmar que muitas oportunidades ainda irão surgir.

Se você se empolgou com o tema, talvez valha a pena acompanhar mais de perto e começar a preparar uma carreira nessa área 🙂

Tags: arcgiscarreiradeep learningespacialespaçogisoportunidadespythonredes neuraisredes neurais convolucionaisstk
Post Anterior

Python, Data Science e Deep Learning: agora no YouTube

Próximo Post

XGBoost: aprenda este algoritmo de Machine Learning em Python

Carlos Melo

Carlos Melo

Engenheiro de Visão Computacional graduado em Ciências Aeronáuticas pela Academia da Força Aérea (AFA) e Mestre em Engenharia Aeroespacial pelo Instituto Tecnológico de Aeronáutica (ITA).

Relacionado Artigos

Como usar o DALL-E 2 para gerar imagens a partir de textos
Deep Learning

Como usar o DALL-E 2 para gerar imagens a partir de textos

por Carlos Melo
dezembro 25, 2022
Como a França usou Inteligência Artificial para detectar 20 mil piscinas
Deep Learning

Como a França usou Inteligência Artificial para detectar 20 mil piscinas

por Carlos Melo
dezembro 19, 2022
ChatGPT: A Inteligência Artificial que vai escrever seus códigos
Artigos

ChatGPT: A Inteligência Artificial que vai escrever seus códigos

por Carlos Melo
dezembro 18, 2022
NFT e artes criadas por Inteligência Artificial

NFT e artes criadas por Inteligência Artificial

por Carlos Melo
junho 17, 2022
Crie um sistema de vigilância com drones e Deep Learning
Visão Computacional

Crie um sistema de vigilância com drones e Deep Learning

por Carlos Melo
junho 11, 2022
Próximo Post
XGBoost: aprenda este algoritmo de Machine Learning em Python

XGBoost: aprenda este algoritmo de Machine Learning em Python

Comentários 1

  1. Avatar Jose luiz says:
    2 anos atrás

    Gostaria de aprender esse assunto

    Responder

Deixe um comentário Cancelar resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Destaques Sigmoidal

Visão Computacional do zero até uma vaga no exterior

Visão Computacional do zero até uma vaga no exterior

abril 22, 2021
7 Livros de Data Science em 2021

7 Livros de Data Science em 2021

outubro 8, 2021
Detector de Fadiga usando Python

Detector de Fadiga usando Python

outubro 6, 2020
Especialização em Visão Computacional Especialização em Visão Computacional Especialização em Visão Computacional

Seguir

  • Camera Tracking, Reconstrução 3D e a Arte da Visão 🎥👁️‍🗨️

O “camera tracking” é uma técnica que permite a análise e reprodução do movimento da câmera em filmagens 2D. 

Esta análise fornece dados vitais sobre a posição e orientação da câmera ao longo do tempo, sendo essencial para a integração de elementos 3D virtuais em visuais 2D. 

A minha jornada acadêmica levou-me ao coração da engenharia de visão computacional, onde explorei tópicos cruciais como lens distortion, camera calibration e image processing. Dediquei-me a técnicas avançadas, abrangendo desde a utilização de filtros Gaussianos, conversão de imagens para grayscale até algoritmos de keypoint detection. 

No decorrer de meus estudos, tive a chance de trabalhar com métodos clássicos, como “Harris Corner Detection”, e também com abordagens mais contemporâneas como ORB, além de descritores como SIFT, SURF e BRISK.

Mas apesar da minha formação predominantemente técnica, centrada no mundo dos modelos quantitativos e da modelagem matemática, identifiquei um diferencial valioso na trilha da visão computacional.

🎨 Esse diferencial foi a capacidade de não se limitar apenas ao lado técnico. Ao contrário, busquei uma fusão entre a precisão técnica e a sensibilidade artística.

Compreendi que a verdadeira inovação surge quando se une o rigor técnico à visão criativa. Nessa intersecção, a arte e a ciência dançam juntas, produzindo resultados que são ao mesmo tempo precisos e emocionalmente impactantes.

Como o escritor A. D. Sertillanges expressou tão eloquentemente, nossa vocação como seres humanos exige que primeiro estejamos profundamente enraizados em nossa humanidade, viajando com confiança e solidez:

💬 “Toda ciência, quando cultivada isoladamente, não é apenas incompleta, mas também repleta de riscos.”

Serve como um lembrete constante de que dentro de cada tarefa computacional e linha de código existe uma miríade de histórias, prontas para serem reveladas e compartilhadas. 

#machinelearning #visãocomputacional
  • 🤖Você já testou essa ferramenta? 

Prece mentira, mas você pode gravar um vídeo seu agora mesmo, e subir nesse site para ele dublar para inglês e várias outras línguas! 🇺🇸🇪🇸🇧🇷🇩🇪

E não apenas isso! Ele sincroniza inclusive os seus lábios para ficar o mais real possível. 

O que você achou? Que tal testar agora mesmo e me mandar?

#machinelearning #inteligenciaartificial
  • ‘Eu nasci assim, eu cresci assim, vou sempre usar arquivos CSV…’ 🎶

Será mesmo? Se a síndrome de Gabriela te prende aos antigos e gigantes arquivos CSV, é hora de repensar! 🤔

Calma, não me entenda mal. Eu uso arquivos CSV para muitas coisas, mesmo! Mas permita-me apresentar um formato que já é bem conhecido pelos engenheiros de dados, mas que, por algum motivo, ainda não é muito famoso entre os cientistas de dados.

O principal problema do CSV é sua estrutura. Eles são armazenados como uma lista de linhas (conhecido como orientado a linhas), o que causa duas grandes complicações: eles são lentos para consultar e, para complicar ainda mais, SQL e CSV simplesmente não se dão bem.

Agora, entre em cena o Parquet: um formato orientado a colunas. Diferentemente dos CSVs, ele organiza seus dados por colunas, o que facilita e agiliza a consulta.

Além disso, é um formato de código aberto, licenciado sob Apache, o que o torna uma opção atrativa não apenas pela sua eficiência, mas também pela flexibilidade e transparência. Engenheiros de dados já se beneficiam das vantagens do Parquet há algum tempo, então por que os cientistas de dados não dariam uma chance também?

Se você é um cientista de dados e ainda não experimentou o Parquet, talvez seja o momento de se aventurar. E aí, já conhecia essa alternativa? Deixe seus comentários! 🚀

#machinelearning #datascience  #visaocomputacional
  • Eu não aprendi a estudar do dia para a noite.

Foram anos de aprimoramento e busca contínua por um método que me permitisse aprender qualquer coisa sozinho.

Nessa sequência de stories eu conto um pouco da minha trajetória, passando pela AFA, ITA e aprendizado de línguas. 

Se você ainda não tem o hábito da leitura, mas gostaria de aprender qualquer coisa rapidamente, como autodidata, você não pode perder a live de hoje. 

🔴AULA AO VIVO (hoje, às 20 horas)

✅Como criar uma rotina de estudo
✅Como criar resumos e notas de revisão
✅Como manter o foco e a concentração
✅Técnicas de Ultra-Aprendizado

Clique no link dos stories e ative a notificação da aula!
  • 📚Ao contrário do que o senso comum pode te induzir a pensar, você não pode querer apenas estudar livros técnicos. 

Ler e memorizar demandam a construção de múltiplas habilidades em diferentes dimensões. Afinal, você precisa crescer não apenas na vida profissional, mas também na humana, espiritual e familiar. 

No entanto, a escolha de livros errados podem prejudicar perigosamente a formação do conhecimento intelectual.

Por esse motivo, aqui vai uma sugestão de livros para aqueles que querem começar uma vida de estudos. 

E se você quiser aprender mais sobre como melhorar sua memória, elaborar resumos da maneira correta e manter o foco na leitura, mande uma mensagem por direct com a palavra “ESTUDO”. 

Depois que você enviar a palavra “estudo”, eu vou te encaminhar o link da aula exclusiva que eu farei sobre o assunto. 

Agora me diz, quais desses livros você já leu? Ou está na fila para leitura?

#leitura #estudos #machinelearning #computervision
  • ORB-SLAM é um sistema SLAM (Localização e Mapeamento Simultâneos) de última geração que utiliza uma combinação de métodos baseados em características e métodos diretos para alcançar desempenho em tempo real em diversas plataformas. Foi concebido por pesquisadores da Universidade de Zaragoza, Espanha, e agora é amplamente adotado tanto na academia quanto na indústria.

O nome ORB-SLAM deriva do seu uso de características Oriented FAST e Rotated BRIEF (ORB) para detectar e combinar pontos-chave em imagens. Essas características, juntamente com outras técnicas como fechamento de loop e otimização de pose, garantem uma localização e mapeamento robustos e precisos.

Graças à sua combinação de métodos baseados em características e diretos, juntamente com suas capacidades em tempo real e compatibilidade versátil de plataforma, ORB-SLAM destaca-se como um recurso inestimável para profissionais em visão computacional e robótica.

Ansioso para aprender como implementar o ORB-SLAM 3, desde sua instalação até a execução do sistema usando seus dados? Acesse o blog do sigmoidal e veja o tutorial com o passo a passo que eu preparei.

https://sigmoidal.ai

#visãocomputacional #machinelearning #slam #opencv
  • Filhos não são um direito, mas um dom de Deus. E hoje fomos abençoados com o nascimento da Bettina. 

Já te amamos muito, minha Pycotinha!
  • Sorria, você está sendo filmado (e analisado pela Visão Computacional)! Estimação de velocidade, fluxo óptico de pedestres e veículos, identificação de objetos abandonados, análise de comportamentos, cruzamento de dados com a base da polícia... quais outras possibilidades você enxerga?
Instagram Youtube LinkedIn Twitter
Sigmoidal

O melhor conteúdo técnico de Data Science, com projetos práticos e exemplos do mundo real.

Seguir no Instagram

Categorias

  • Artigos
  • Blog
  • Carreira
  • Colunistas
  • Cursos
  • Data Science
  • Deep Learning
  • Destaques
  • Entrevistas
  • Inglês
  • Iniciantes
  • Inteligência Artificial
  • Livros
  • Machine Learning
  • Notícias
  • Outros
  • Projetos
  • Python
  • Teoria
  • Tutoriais
  • Visão Computacional
  • Youtube

Navegar por Tags

camera calibration cancer carreira cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gis gpt-3 healthcare image formation iniciantes jupyter kaggle keras machine learning matplotlib medicina mnist nft opencv pandas personal branding portfólio profissão python redes neurais redes neurais convolucionais regressão logística salário seaborn sklearn tensorflow titanic tutorial vagas visão computacional vídeo youtube árvore de decisão

© 2023 Sigmoidal - Aprenda Data Science e Python na prática.

Sem Resultado
Ver Todos Resultados
  • Home
  • Cursos de Visão Computacional, Data Science e Python
  • Artigos
  • YouTube
  • Sobre Mim
  • Contato

© 2023 Sigmoidal - Aprenda Data Science e Python na prática.

Welcome Back!

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In

Add New Playlist

Aprenda Python do Zero

50% Off

Oferta exclusiva de aniversário do Sigmoidal. Inscreva-se no curso Python do Zero hoje mesmo.

QUERO APROVEITAR O DESCONTO