Detekcija i klasifikacija objekata na moru korištenjem neuronskih mreža

diplomski rad

• Naslov (engleski): Detection and classification of objects at sea using neural networks
• Autor: Matej Fabijanić
• Mentor: Nikola Mišković (mentor)
• Član povjerenstva: Nikola Mišković (član povjerenstva)
• Član povjerenstva: Đula Nađ (član povjerenstva)
• Član povjerenstva: Fausto Miguel Pascoal Ferreira (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-07-09, Hrvatska

Sažetak

Detekcija i klasifikacija objekata u pomorskom okruženju postaje važan dio pomorske sigurnosti, praćenja okoliša i pomorskih operacija. Da bi se postigla bilo kakva autonomija plovila potrebno je prije svega unaprijediti postojeća rješenja za detekciju različitih objekata u pomorskom okruženju. Ovo istraživanje imalo je za cilj razviti učinkovitu i točnu metodu za otkrivanje i klasificiranje različitih objekata pronađenih na moru s pomoću konvolucijskih neuronskih mreža (CNN). Cilj je bio specijalizirati postojeće modele dubinskog učenja razvijene za opću detekciju objekata trenirajući ih na skupovima podataka koji sadrže čamce, brodove, plutače, plivače i bilo koje druge objekte koji se obično nalaze u pomorskom okruženju. Studija je bila usmjerena na pripremu prikupljenih anotiranih snimaka i dodatnih pomorskih skupova podataka pronađenih na internetu za treniranje najnovije verzije YOLO (\textit{You Only Look Once)} modela za obavljanje zadatka detekcije. Konvolucijska neuronska mreža je trenirana i testirana na tim skupovima podataka kako bi se procijenila njena svojstva. Iako je obujam istraživanja koji se trenutno provodi u području autonomije plovila mnogo manji u usporedbi sa sličnim istraživanjima u automobilskoj industriji ili industriji bespilotnih letjelica, ipak postoje neki javno dostupni skupovi podataka označenih slika pomorskog okruženja s različitim stupnjevima kvalitete. S pomoću njih bilo je moguće istrenirati YOLOv9 model koji postiže visoku točnost u detekciji i klasifikaciji različitih vrsta pomorskih objekata. Korištenje čak i najsloženijeg modela YOLOv9 nudi učinkovitu brzinu detekcije s velikom preciznošću na lako dostupnom hardveru, što ga čini prikladnim za korištenje u aplikacijama u stvarnom vremenu. Integracija konvolucijskih neuronskih mreža u sustave detekcije i klasifikacije koji koriste kamere se predstavlja kao održivo rješenje za poboljšanje detekcije i klasifikacije pomorskih objekata. Sustav temeljen na CNN-u nudi dobru preciznost i brze performanse kad bi se koristio u pomorskoj sigurnosti i operativnoj učinkovitosti, pružajući korak naprijed u primjeni umjetne inteligencije u morskom okruženju.

Sažetak (engleski)

Detection and classification of objects in maritime environments is becoming an important part of maritime safety, environmental monitoring, and naval operations. In order to achieve any level of vessel autonomy, it is first necessary to improve upon the currently existing solutions for detecting various objects in a maritime environment. This research aimed to develop an efficient and accurate method for detecting and classifying various objects found at sea using convolutional neural networks (CNNs). The goal was to specialize existing deep learning models developed for general object detection by training them on datasets featuring boats, ships, buoys, swimmers, and any other objects usually found in maritime environments. The study focused on preparing collected annotated footage and additional maritime datasets sourced from the web to train the latest version of the YOLO (You Only Look Once) model to perform the task of detection. The CNN was both trained and tested on these datasets to evaluate its performance. Although the extent of research currently being done in the field of vessel autonomy is much less compared with similar research in the automotive or drone industries, there are some publicly available datasets of annotated images of maritime environments with varying degrees of quality. Using them, it was possible to train a YOLOv9 model which achieves high accuracy in detecting and classifying different types of maritime objects. Using even the most complex YOLOv9 model offers efficient detection speed with great precision on easily available hardware, thus making it suitable for use in real-time applications. The integration of convolutional neural networks in detection and classification systems using cameras presents a viable solution for enhancing maritime object detection and classification. A CNN-based system offers good precision and fast performance if used in maritime safety and operational efficiency, providing a step forward in the application of artificial intelligence in marine environments.

• Ključne riječi: kompjuterski vid; konvolucijske neuronske mreže; pomorski uvjeti; detekcija objekata; detekcija brodova; YOLO; NVIDIA Jetson
• Ključne riječi (engleski): computer vision; convolutional neural networks; maritime environment; object detection; boat detection; YOLO; NVIDIA Jetson
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:530694
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2024-10-12 20:33:13