Ανίχνευση πλοίων σε τηλεπισκοπικά δεδομένα ραντάρ συνθετικού ανοίγματος με τεχνικές βαθιάς μηχανικής μάθησης

Μάνεσης, Ιάσων; Manesis, Iason

dc.contributor.author	Μάνεσης, Ιάσων	el
dc.contributor.author	Manesis, Iason	en
dc.date.accessioned	2022-09-02T11:26:56Z
dc.date.available	2022-09-02T11:26:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55585
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23283
dc.rights	Default License
dc.subject	Ανίχνευση πλοίων	el
dc.subject	Ραντάρ συνθετικού ανοίγματος	el
dc.subject	Βαθιά μηχανική μάθηση	el
dc.subject	Όραση υπολογιστών	el
dc.subject	Δορυφορικά δεδομένα	el
dc.subject	Ship detection	en
dc.subject	Synthetic aperture radar	en
dc.subject	Deep learning	en
dc.subject	Computer vision	en
dc.subject	Satellite data	en
dc.title	Ανίχνευση πλοίων σε τηλεπισκοπικά δεδομένα ραντάρ συνθετικού ανοίγματος με τεχνικές βαθιάς μηχανικής μάθησης	el
dc.title	Ship Detection on Remote Sensing Synthetic Aperture Radar Data via Deep Learning Techniques	en
heal.type	bachelorThesis
heal.classification	Βαθιά μηχανική μάθηση	el
heal.classification	Όραση υπολογιστών	el
heal.classification	Deep learning	en
heal.classification	Computer vision	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-03
heal.abstract	Τα τελευταία χρόνια, η ανίχνευση πλοίων με τεχνικές βαθιάς μηχανικής μάθησης απασχολεί όλο και περισσότερο την ερευνητική κοινότητα, λόγω της πληθώρας και της μεγάλης αξίας των εφαρμογών που υποστηρίζει. Τέτοιες εφαρμογές αποτελούν η παρακολούθηση αποκλειστικών οικονομικών ζωνών, ο έλεγχος της αλιείας, η επόπτευση συνόρων, ο εντοπισμός πλοίων αγνώστου ταυτότητος, η διάσωση πλοίων κ.α. Ο βασικός τρόπος για την απόκτηση του γεωγραφικού στίγματος και των πληροφοριών που αφορούν ένα θαλάσσιο σκάφος είναι το σύστημα αυτόματης ταυτοποίησης AIS. Το παραπάνω σύστημα αποτελείται από ένα δίκτυο δεκτών που βρίσκονται σε παράκτια σημεία και λαμβάνουν σε πραγματικό χρόνο πληροφορίες που αφορούν το εκάστοτε πλοίο (ταυτότητα, φορτίο, θέση, προορισμός κ.α.) Βέβαια, το συγκεκριμένο σύστημα παρουσιάζει σημαντικά μειονεκτήματα που προκύπτουν από ένα σύνολο εγγενών ιδιοτήτων που το χαρακτηρίζουν. Ένας δέκτης AIS μπορεί να λαμβάνει πληροφορίες από τους πομπούς των διερχόμενων πλοίων σε αποστάσεις έως 100 ναυτικά μίλια, με συνηθέστερο εύρος αυτό των ~0-60 ναυτικών μιλίων. Η συγκεκριμένη εμβέλεια ενδεχομένως να υπερκαλύπτει την πλειοψηφία των ακτοπλοϊκών διαδρομών, αλλά σε περιπτώσεις ωκεανοπλοΐας οι παραπάνω αποστάσεις δεν επαρκούν. Επιπρόσθετα, η λειτουργία του πομπού του συστήματος AIS του εκάστοτε πλοίου επαφίεται εξ ολοκλήρου στην επιλογή του αντίστοιχου πληρώματος. Τέλος, ο Διεθνής Οργανισμός Ναυτιλίας (IMO) υποχρεώνει τα εμπορικά πλοία με χωρητικότητα άνω των 300 τόνων να ενσωματώσουν το συγκεκριμένο σύστημα. Έτσι, πλοία μικρότερου εσωτερικού όγκου που δεν υποχρεώνονται να διαθέτουν τους παραπάνω δέκτες ενδεχομένως να μην εντοπίζονται. Το ραντάρ συνθετικού ανοίγματος αποτελεί ένα εξελιγμένο αισθητήρα μικροκυματικής ακτινοβολίας που έχει την δυνατότητα απόκτησης εικόνων υψηλής διακριτικής ικανότητας ανεξαρτήτως καιρικών συνθηκών. Επειδή οι απεικονίσεις SAR έχουν την δυνατότητα κάλυψης εκτεταμένων περιοχών και μπορούν να ληφθούν οποιαδήποτε στιγμή της ημέρας, αποτελούν ιδανικό εργαλείο για την δημιουργία εφαρμογών ανίχνευσης πλοίων που στηρίζονται σε δεδομένα εικόνων. Η παρούσα διπλωματική εργασία, επικεντρώνεται στην διερεύνηση μεθόδων για την αποτελεσματική ανίχνευση πλοίων σε δορυφορικές εικόνες ραντάρ συνθετικού ανοίγματος με την αξιοποίηση τεχνικών βαθιάς μηχανικής μάθησης. Οι συγκεκριμένες μέθοδοι αξιοποιούν τις αρχιτεκτονικές των δικτύων Faster-RCNN και YOLOv5 για την δημιουργία τριών διαφορετικών μοντέλων ανίχνευσης. Πιο συγκεκριμένα, τα δύο πρώτα μοντέλα που δημιουργούνται στηρίζονται στην αρχιτεκτονική του δικτύου Faster-RCNN και αξιοποιούν για την διαδικασία ανίχνευσης ένα σύνολο κανονικών και στρεφόμενων πλαισίων οριοθέτησης. Το δίκτυο ανίχνευσης ενός σταδίου, βασίζεται στην αρχιτεκτονική του μοντέλου YOLOv5 και κάνει χρήση κανονικών πλαισίων για την οριοθέτηση των εκτιμώμενων στόχων. Το σύνολο των παραγόμενων μοντέλων εκπαιδεύεται και αξιολογείται στο σύνολο δεδομένων HRSID. Οι μεγαλύτερες ακρίβειες συναντώνται στα μοντέλα που χρησιμοποιούν κανονικά πλαίσια οριοθέτησης για την εξαγωγή εκτιμήσεων. Ενώ, το μοντέλο με τα στρεφόμενα πλαίσια οριοθέτησης, εμφανίζει τα μεγαλύτερα σφάλματα θέσης και χαρακτηρίζεται από αυξημένο πλήθος ψευδώς αρνητικών ανιχνεύσεων.	el
heal.abstract	In recent years, ship detection with deep learning techniques has increasingly concerned the research community, due to the variety and high value of the applications it supports. Such applications are the monitoring of exclusive economic zones, fisheries control, border surveillance, dark vessel detection, ship rescue, etc. The main way to obtain the geographical position and information concerning a maritime vessel is the AIS automatic identification system. The above system consists of a network of receivers located on coastal points which can receive real-time information about each ship (identity, cargo, location, destination, etc.) Nevertheless, this system has significant disadvantages that arise from a set of inherent properties. An AIS receiver can receive information from transmitters of passing ships at distances up to 100 nautical miles, with the most common range of ~0-60 nautical miles. This range may cover the majority of costal navigation routes, but in cases of ocean navigation the above distances are not sufficient. In addition, the operation of the transmitter of the AIS system of each ship is left entirely to the choice of the respective crew. Finally, the International Maritime Organization (IMO) obliges merchant ships with a capacity of more than 300 tons to integrate this system. Thus, ships of smaller tonnage that are not required to have the above receivers may not be located. The synthetic aperture radar is an advanced microwave sensor capable of obtaining high-resolution images regardless of weather conditions. Because SAR imaging can cover large areas and can be taken at any time of the day, it is an ideal tool for creating image-based ship detection applications. The present diploma thesis focuses on the investigation of methods for the effective detection of ships in synthetic aperture radar satellite imagery utilizing deep learning techniques. These methods use the Faster-RCNN and YOLOv5 network architectures to create three different detectors. More specifically, the first two models created are based on the Faster-RCNN network architecture and utilize a set of normal and rotated bounding boxes for the detection process. The one-stage detection network is based on the architecture of the YOLOv5 model and uses regular bounding boxes to delimit the estimated targets. The produced models are trained and evaluated on the HRSID dataset. The greatest accuracy is found in models that use regular bounding boxes to derive estimates. While, the model with rotated bounding boxes, shows the largest localization errors and is characterized by an increased number of false negative detections.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.advisorName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Πατεράκη, Μαρία	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Karathanassi, Vassilia	en
heal.committeeMemberName	Pateraki, Maria	en
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Karantzalos, Konstantinos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	215 σ.	el
heal.fullTextAvailability	false