Comparação entre técnicas de classificação de imagens para uso em pequenos satélites

Abstract

O presente trabalho realiza uma análise comparativa entre técnicas convencionais de processamento de imagens e redes neurais convolucionais aplicadas à classificação de imagens capturadas por pequenos satélites. Devido às restrições de memória, capacidade de processamento e consumo energético desses dispositivos, torna-se essencial encontrar métodos que sejam eficientes na classificação, ao mesmo tempo que possam ser implementados em sistemas embarcados. Inicialmente, foram aplicadas técnicas tradicionais de processamento, como detecção de bordas, análise de texturas e limiarização. Em seguida, modelos de aprendizado de máquina baseados em redes neurais convolucionais (CNNs) foram treinados, incluindo arquiteturas já existentes e um modelo genérico desenvolvido para fins comparativos. A base de dados utilizada no treinamento foi composta por imagens públicas disponibilizadas pela Estação Espacial Internacional e outras fontes, enquanto o conjunto de testes foi formado majoritariamente por imagens reais obtidas por CubeSat. Os métodos foram avaliados quanto ao desempenho de classificação e aos requisitos computacionais, considerando um microcontrolador STM32 como hardware de referência. Os resultados indicaram que os métodos tradicionais, embora menos precisos, apresentaram requisitos computacionais significativamente inferiores. Por outro lado, as CNNs, após a quantização, demonstraram bom desempenho classificatório com viabilidade de execução embarcada. Conclui-se que a escolha da técnica mais adequada depende do equilíbrio entre desempenho e as restrições do sistema embarcado.

This work presents a comparative analysis between conventional image processing techniques and convolutional neural networks (CNNs) applied to the classification of images captured by small satellites. Due to the limited memory, processing capacity, and energy consumption of these devices, it is essential to find methods that are both efficient in classification and feasible for implementation in embedded systems. Initially, traditional image processing techniques were applied, such as edge detection, texture analysis, and thresholding. Then, machine learning models based on CNNs were trained, including previously developed architectures and a generic model created for comparative purposes. The training dataset was composed of public images provided by the International Space Station and other sources, while the test dataset consisted mostly of real CubeSat images. The methods were evaluated in terms of classification performance and computational requirements, using an STM32 microcontroller as reference hardware. The results indicated that traditional methods, although less accurate, required significantly fewer computational resources. On the other hand, CNNs, after quantization, demonstrated good classification performance and feasibility for embedded execution. It is concluded that the most suitable technique depends on the balance between performance and system constraints.