![logo-ri](/image/footer/logo-ri.png)
Use este identificador para citar ou linkar para este item:
https://www.repositorio.mar.mil.br/handle/ripcmb/846837
Título: | Algoritmo de aprendizado profundo para detecção de manchas de óleo e embarcações em imagens de radar de abertura sintética |
Autor(es): | Vito, Luis Gustavo Ronsani |
Orientador(es): | Passaro, Angelo |
Palavras-chave: | Guerra eletrônica Sensoriamento remoto Inteligência operacional Deep learning |
Áreas de conhecimento da DGPM: | Guerra eletrônica |
Data do documento: | 2024 |
Editor: | Instituto Tecnológico de Aeronáutica (ITA) |
Citação: | VITO, Luis Gustavo Ronsani. Algoritmo de Aprendizado Profundo para Detecção de Manchas de Óleo e Embarcações em Imagens de Radar de Abertura Sintética. 2024. 97f. Dissertação de Mestrado em Ciências e Tecnologias Espaciais – Instituto Tecnológico de Aeronáutica, São José dos Campos, 2024 |
Descrição: | Esta dissertação aborda o desenvolvimento de um algoritmo para a detecção de manchas de óleo e embarcações em imagens de Radar de Abertura Sintética (SAR), utilizando uma versão modificada da rede neural U-Net, originalmente proposta por Ronneberger, Fischer e Brox (2015). Este trabalho destaca-se pelo aprimoramento da arquitetura U-Net, por meio de modificações, tais como o uso de blocos residuais, inclusão de regularização L2, adaptação da última camada convolucional, entre outras, visando melhorar os resultados dos estudos de referência no campo de detecção por meio da segmentação semântica de imagens SAR. A pesquisa abrange um conjunto de processos metodológicos, divididos em cinco etapas principais. A primeira etapa envolve a aquisição e construção de bancos de dados (dataset) de imagens SAR, fornecidas pelos satélites Sentinel-1 da Agência Espacial Europeia (ESA) contendo alvos específicos de manchas de óleo e embarcações. A segunda etapa se concentra no processamento dessas imagens SAR, um passo importante para garantir a qualidade e a precisão dos dados para os treinamentos subsequentes. A terceira etapa aborda a implementação de modificações na arquitetura U-Net. Estas alterações visam aumentar a eficácia do modelo em lidar com as complexidades inerentes à detecção de alvos em imagens SAR. A quarta etapa, envolvendo treinamentos e validações dos modelos, é feita de forma individualizada para cada tipo de alvo - manchas de óleo e embarcações. Esta abordagem garante que o algoritmo seja otimizado para identificar cada tipo de alvo de forma individualizada. A etapa final é a confecção do algoritmo de detecção, que opera de forma sequencial. Inicialmente, detecta-se as manchas de óleo e, em seguida, as embarcações, mas apenas nas imagens onde a detecção de manchas de óleo foi confirmada. Esta estratégia sequencial permite uma análise mais focada no alvo a ser detectado. Os resultados obtidos nos treinamentos foram promissores. O modelo para detecção de manchas de óleo apresentou uma Acurácia de 94%, Precisão de 86% e Índice de Jaccard (IoU) de 67,51%. O modelo para detecção de embarcações alcançou uma Acurácia de 99%, Precisão de 89% e IoU de 76,23%. Estes resultados superam algumas abordagens de referência anteriores que fizeram o uso da arquitetura U-Net, como KRESTENITIS et al. (2019) e SHABAN et al. (2021), evidenciando a eficácia das modificações implementadas e da metodologia adotada. O estudo demonstra a viabilidade de combinar sensoriamento remoto SAR com inteligência artificial para enfrentar desafios ambientais contemporâneos. Sugere-se para estudos futuros a pesquisa por melhorias na rede com outras modificações e seus hiperparametros, ampliação dos conjuntos de dados e utilização de outras técnicas de aumento de dados, a exploração de outras arquiteturas de redes neurais para avaliar seu desempenho em comparação com a U-Net e a integração de métodos de detecção de mudanças para identificar os alvos. |
Abstract: | This dissertation discusses the development of an algorithm for detecting oil spills and vessels in Synthetic Aperture Radar (SAR) images, using a modified version of the U-Net neural network originally proposed by Ronneberger, Fischer, and Brox (2015). This work is distinguished by improvements to the U-Net architecture through modifications such as the use of residual blocks, the inclusion of L2 regularization, adaptation of the final convolutional layer, and others, aimed at enhancing the results of reference studies in the field of detection through semantic segmentation of SAR images. The research encompasses a set of methodological processes, divided into five main stages. The first stage involves the acquisition and construction of SAR image datasets, provided by the European Space Agency's (ESA) Sentinel-1 satellites, containing specific targets of oil spills and vessels. The second stage focuses on the processing of these SAR images, a crucial step to ensure the quality and accuracy of the data for subsequent training. The third stage addresses the implementation of modifications to the U-Net architecture, aiming to increase the model's effectiveness in dealing with the complexities inherent in target detection in SAR images. The fourth stage involves the training and validation of the models, conducted individually for each type of target - oil spills and vessels. This approach ensures that the algorithm is optimized for identifying each type of target individually. The final stage is the development of the detection algorithm, which operates sequentially. Initially, it detects oil spills and then vessels, but only in images where oil spill detection has been confirmed. This sequential strategy allows for a more targeted analysis of the object to be detected. The results obtained in the training were promising. The model for oil spill detection showed an Accuracy of 94%, Precision of 86%, and Jaccard Index (IoU) of 67.51%. The model for vessel detection achieved an Accuracy of 99%, Precision of 89%, and IoU of 76.23%. These results surpass some previous reference approaches that used the U-Net architecture, such as KRESTENITIS et al. (2019) and SHABAN et al. (2021), demonstrating the effectiveness of the implemented modifications and the adopted methodology. The study demonstrates the feasibility of combining SAR remote sensing with artificial intelligence to address contemporary environmental challenges. Future studies are suggested to research improvements in the network with other modifications and hyperparameters, expansion of datasets, use of other data augmentation techniques, exploration of other neural network architectures to evaluate their performance in comparison with U-Net, and the integration of change detection methods to identify targets. |
Tipo de Acesso: | Acesso aberto |
URI: | https://www.repositorio.mar.mil.br/handle/ripcmb/846837 |
Tipo: | Dissertação |
Aparece nas coleções: | Operações Navais: Coleção de Dissertações |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Luis_Vito_Dissertacao.pdf | 4,66 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.