Algoritmo de aprendizado profundo para detecção de manchas de óleo e embarcações em imagens de radar de abertura sintética

• Ano de defesa: 2024
• Autor(a) principal: Vito, Luis Gustavo Ronsani
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Tecnológico de Aeronáutica (ITA)
• Palavras-chave em Português: Guerra eletrônica; Sensoriamento remoto; Inteligência operacional; Deep learning; Guerra Eletrônica
• Link de acesso: https://www.repositorio.mar.mil.br/handle/ripcmb/846837

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.