Detecção de Alagamentos com Machine Learning

Este projeto implementa um sistema de Machine Learning para detectar automaticamente se um local está alagado a partir de imagens usando apenas dados reais.

Problema

Detectar alagamentos é crucial para:

• Monitoramento urbano em tempo real
• Sistemas de alerta precoce
• Análise de riscos ambientais
• Gestão de emergências

Abordagem

O projeto utiliza Deep Learning com redes neurais convolucionais (CNN) para classificar imagens em duas categorias:

• Alagado: Local com presença de água acumulada
• Normal: Local sem sinais de alagamento

Estrutura do Projeto

flood-detection/
├── data/
│   └── train/
│       ├── flooded/
│       └── normal/
├── models/
│   └── best_real_model.pth  (Modelo treinado)
├── src/
│   ├── model.py
│   ├── retrain_real.py
│   └── predict_simple.py
├── predictions/
├── requirements.txt
└── README.md

Metodologia

1. Preparação dos Dados

• 72 imagens reais (58 alagadas + 14 normais)
• Redimensionamento para 224x224 pixels
• Data augmentation (flip, rotação, ajuste de cores)

2. Modelo de Deep Learning

• ResNet50 com transfer learning
• 100% de acurácia na validação
• Fine-tuning inteligente com camadas congeladas
• Trained exclusivamente com dados reais

3. Características Detectadas

• Presença de água acumulada
• Reflexos na superfície
• Mudanças na textura do pavimento
• Objetos parcialmente submersos
• Alterações na coloração do ambiente

📊 Onde Obter Dados para Treinamento

IMPORTANTE: Para treinar o modelo, você precisa de imagens de alagamentos e locais normais. Consulte DATA_SOURCES.md para um guia completo com:

• Datasets públicos (FloodNet, Sen1Floods11, NASA)
• APIs e ferramentas (Google Earth Engine, Copernicus)
• Coleta própria (celular, drones, câmeras)
• Scripts de download automatizados

Opções Recomendadas:

1. FloodNet Dataset - IEEE DataPort
2. Coleta própria com celular em locais alagados/normais
3. Sen1Floods11 - Dados de satélite

Instalação e Uso com Makefile

O projeto inclui um Makefile para facilitar o uso. Comandos disponíveis:

Configuração Inicial

make install          # Configura ambiente virtual e instala dependências
make status           # Mostra status do projeto (dados, modelo, ambiente)
make info             # Informações detalhadas do sistema

Treinamento

make train            # Treina modelo com dados reais em data/train/

Predição de Imagens

make predict IMG=sua_imagem.jpg                    # Prediz uma imagem específica
make predict-batch DIR=pasta_com_imagens/          # Prediz todas as imagens de uma pasta

Testes

make test             # Testa modelo nas imagens de exemplo
make test-all         # Testa modelo em todas as imagens de data/test/

Utilitários

make clean            # Remove arquivos temporários e cache
make clean-all        # Remove tudo (modelos, ambiente virtual)
make help             # Mostra todos os comandos disponíveis

Exemplos de Uso

# Configuração inicial (apenas uma vez)
make install

# Treinar modelo com seus dados
make train

# Testar em imagens de exemplo
make test

# Predizer uma imagem específica
make predict IMG=data/test/flooded-001.jpg

# Ver status do projeto
make status

Resultados Alcançados

✅ 100% de acurácia na validação
✅ Modelo treinado com dados reais
✅ Inferência rápida (<1 segundo por imagem)
✅ Transfer learning efetivo com ResNet50
✅ Fine-tuning inteligente

Arquivos Principais

• src/retrain_real.py: Script para treinar CNN com dados reais
• src/predict_simple.py: Preditor que usa apenas CNN treinada
• src/model.py: Definições dos modelos disponíveis
• models/best_real_model.pth: Modelo treinado (100% acurácia)

Comandos Rápidos (Makefile)

Comando	Descrição
make install	Configura ambiente e instala dependências
make train	Treina modelo com dados reais
make predict IMG=foto.jpg	Prediz uma imagem específica
make test	Testa modelo nas imagens de exemplo
make status	Mostra status do projeto
make help	Lista todos os comandos disponíveis

Status do Projeto

🎯 MODELO FUNCIONAL: CNN treinada com dados reais funciona corretamente 📊 PERFORMANCE: 100% acurácia na validação, boa detecção em imagens reais 🔧 MELHORIA CONTÍNUA: Pequenos ajustes para casos específicos

Próximos Passos

1. Aumentar dataset: Adicionar mais imagens normais para melhor balanceamento
2. Testes extensivos: Validar em mais imagens reais
3. Otimização: Ajustar thresholds se necessário
4. Deploy: Preparar para uso em produção