IJmond Industrial Smoke Segmentation Dataset

1. Problema

O relatório aborda o desafio da segmentação de fumaça industrial em imagens de vigilância ao ar livre. O objetivo é identificar e delimitar, ao nível de pixel, as emissões de fumaça provenientes de instalações industriais na região de IJmond, nos Países Baixos.

• Desafios Específicos: A tarefa envolve distinguir entre fumaça de baixa opacidade (menos de 50%) e alta opacidade (mais de 50%), conforme definido pelo EPA Method 9. Um dos principais obstáculos é a variabilidade das condições de iluminação (posição do sol), que afeta a percepção visual da opacidade, tornando a classificação de bordas (próximas a 50%) complexa.
• Aplicação: Monitoramento da qualidade do ar local por organizações como a FrisseWind.nu.

2. Metodologia

O desenvolvimento do conjunto de dados seguiu um pipeline rigoroso de coleta, anotação e processamento:

• Coleta de Dados: As imagens foram obtidas de três câmeras estacionárias operadas pela FrisseWind.nu, monitorando as instalações "kooks_1", "kooks_2" e "hoogovens_6_7".
• Anotação:
  • Utilizou-se a plataforma Roboflow com a ferramenta de polígono inteligente.
  • O processo envolveu o uso do modelo Segment Anything (SAM) para gerar máscaras iniciais baseadas em pontos de prompt, seguidas de refinamento manual pelos autores.
  • Controle de Qualidade: O primeiro autor, com experiência em detecção de fumaça industrial e treinamento no EPA Method 9, revisou e editou todas as máscaras.
  • Especificação das Máscaras: As máscaras são imagens em formato uint8 onde:
    • Valor 255 (Branco): Fumaça de alta opacidade (>50%).
    • Valor 155 (Cinza): Fumaça de baixa opacidade (<50%).
    • Valor 0 (Preto): Fundo.
• Pré-processamento e Divisão (Cropping & Splitting):
  • As imagens brutas foram cortadas em regiões menores focadas em áreas de emissão frequente (baseado no projeto RISE).
  • Foram criadas duas estratégias de divisão dos dados:
    1. Por Timestamp: 70% Treino, 10% Validação, 20% Teste (ordenados cronologicamente).
    2. Por Câmera: Treino e Validação usam apenas a câmera "kooks_2" (80%/20%), enquanto o Teste usa as câmeras "hoogovens_6_7" e "kooks_1" para avaliar a generalização entre diferentes locais.
  • Variação de Tamanho do Treino: Para o conjunto de treino, criaram-se 5 versões (100%, 80%, 60%, 40%, 20%) contendo os últimos dados cronológicos, simulando diferentes volumes de dados disponíveis.
  • Separação com/sem Fumaça: Os dados são separados em arquivos de texto indicando pares imagem-máscara ("with_mask") e imagens sem fumaça ("without_mask", com máscaras pretas), permitindo flexibilidade no treinamento (ex: usar apenas dados positivos ou balancear com negativos).

3. Principais Contribuições

• Novo Conjunto de Dados Público: Disponibilização de 900 imagens brutas (com 1.209 polígonos anotados) e 2.074 imagens recortadas (das quais 1.109 contêm fumaça e máscaras de pixel).
• Anotação de Alta Qualidade: Diferenciação explícita entre níveis de opacidade (baixa e alta) seguindo padrões ambientais, com anotações manuais refinadas para garantir precisão.
• Flexibilidade Experimental: Estrutura de dados que permite aos pesquisadores testar modelos com diferentes proporções de dados de treino e escolher entre usar apenas imagens com fumaça ou incluir imagens sem fumaça (fundo) para melhorar a robustez.
• Metadados Ricos: Arquivos metadata.json detalhados que mapeiam as coordenadas de recorte, identificadores de câmera e faixas de datas, facilitando a reprodutibilidade.
• Licenciamento Aberto: O conjunto de dados é licenciado sob CC BY 4.0, promovendo o uso aberto e a pesquisa colaborativa.

4. Resultados

Nota: Como este é um relatório técnico de descrição de conjunto de dados (Technical Report) e não um artigo de resultados de modelo, não há métricas de desempenho de IA (como mIoU ou precisão) reportadas neste documento.

• O "resultado" principal é a disponibilização e documentação do dataset.
• O documento estabelece as bases para que futuros trabalhos de visão computacional possam treinar e avaliar modelos de segmentação semântica para fumaça industrial, oferecendo benchmarks padronizados (divisões de treino/validação/teste).

5. Significância

• Impacto Ambiental e de Saúde Pública: A ferramenta apoia diretamente o monitoramento da qualidade do ar e a detecção de violações de emissões industriais, permitindo ações mais rápidas para proteger a saúde pública na região de IJmond.
• Avanço em Visão Computacional: Preenche uma lacuna na literatura ao fornecer dados específicos para fumaça industrial (diferente de fumaça de incêndios florestais ou domésticos), que apresenta desafios únicos de iluminação e opacidade.
• Reprodutibilidade Científica: A estrutura organizada, os metadados detalhados e o licenciamento aberto permitem que a comunidade científica desenvolva e compare algoritmos de forma justa e transparente.
• Colaboração Interinstitucional: Demonstra uma parceria bem-sucedida entre academia (Universidade de Amsterdã), organizações locais de monitoramento (FrisseWind.nu) e ferramentas de IA (Roboflow).

Conclusão:
O relatório apresenta um recurso fundamental para o avanço da detecção automática de poluição industrial. Ao fornecer dados anotados com rigor científico e uma estrutura flexível para treinamento, o IJmond Industrial Smoke Segmentation Dataset capacita pesquisadores a desenvolverem soluções de IA mais robustas para a proteção ambiental.