Тип работы:
Предмет:
Язык работы:


Мониторинг айсбергов и кораблей по спутниковым снимкам

Работа №141531

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы38
Год сдачи2023
Стоимость4600 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
13
Не подходит работа?

Узнай цену на написание


Введение 3
Постановка задачи 4
Обзор литературы 5
Глава 1. Теоретические основы SAR снимков 6
1.1. Введение в SAR 6
1.2. Основные этапы обработки SAR снимков 9
1.3. Инструменты для работы с SAR снимками 12
Глава 2. Сбор и подготовка данных 15
2.1. HRSID 15
2.2. Сбор датасета для задачи сегментирования айсбергов .... 16
Глава 3. Модели для обнаружения объектов 24
3.1. UNet3+ 25
3.2. TransUNet 27
3.3. Механизмы внимания в CNN 27
Глава 4. Реализация и результаты 30
Заключение 34
Список литературы 34
Приложение 1. Примеры сегментации кораблей 37
Приложение 2. Примеры сегментации айсбергов 38


Одной из самых больших проблем для судоходства являются айсберги. Столкновение с ними может стать причиной кораблекрушения и гибели экипажа. Их обнаружение может позволить создавать более безопасные и эффективные маршруты.
Среди айсбергов и кораблей, первые представляют большую проблему в задаче обнаружения. Для обнаружения различных типов айсбергов могут быть использованы радиолокационные станции (РЛС), установленные непосредственно на судне. РЛС позволяет обнаружить айсберги на пути следования судна, однако данный метод не всегда надежен. Интенсивность отражения сигнала от многих айсбергов вдвое меньше, чем от участка суши или судна тех же размеров. Дальность обнаружения айсбергов судовыми РЛС также существенно зависит от формы объектов. Обнаружение айсбергов может стать затруднительным также по причине того, что на расстоянии как айсберг, так и торос (нагромождение обломков льда) могут давать одинаковый сигнал на экране радара.
Для обнаружения айсбергов также можно использовать аэрофотоснимки или спутниковые снимки. В данной работе будут использоваться снимки со спутников, с установленными на них радиолокаторами с синтезированной апертурой (англ. Synthetic Aperture Radar, SAR). Такие спутники позволяют получать изображения поверхности земли, на которые не влияют погодные условия или время суток, однако данные, полученные с них, требуют предварительной обработки, чтобы их можно было использовать в дальнейшем в различных прикладных задачах.
Возможность обнаружения айсбергов с суднами на спутниковых снимках может решать не только задачу предотвращения их столкновения друг с другом, но и другие проблемы. Например, это может использовано для обнаружения судов, занимающихся нелегальной рыбной ловлей, что негативно сказывается на обеспечении продовольствием или наносит вред морской экосистеме. Также это позволит отслеживать состояние отдельных вод, а именно количество айсбергов в них, изменение их объема в процессе таяния и т. д.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В результате работы были изучены SAR снимки, а именно их особенности и преимущества перед оптическими снимками в рассматриваемой области. Разработан инструмент, позволяющий обрабатывать большое количество снимков удобным способом, что использовалось при сборе датасета с айсбергами. Также, были изучены стандартные методы, которые могли бы быть использованы, но имеют ряд ограничений, из-за чего было решено использовать в работе нейросетевые методы сегментирования объектов на изображениях для решения задачи обнаружения айсбергов и кораблей на спутниковых снимках. Были рассмотрены и реализованы архитектуры существующих моделей и предложена их вариация с использованием дополнительных блоков с механизмом внимания. В конечном итоге были получены модели, способные сегментировать айсберги и корабли на спутниковых SAR снимках.



[1] Copernicus Open Access Hub [Электронный ресурс] URL:https://scihub .copernicus.eu (дата обращения: 22.05.2023).
[2] Copernicus Services Data Hub [Электронный ресурс] https : //cophub. c opernicus.eu (дата обращения: 22.05.2023).
[3] ASF Data Search [Электронныйресурс] https://search.asf.alaska.ed u (дата обращения: 22.05.2023).
[4] EO Browser [Электронный ресурс] https : //apps. sentinel-hub. com/e o-browser (дата обращения: 22.05.2023).
[5] ICEYE SAR Data [Электронныйресурс] https://www. iceye. com/sar-d ata (дата обращения: 22.05.2023).
[6] Xarray backend for Copernicus Sentinel-1 satellite data products [Электронный ресурс] https://github.com/bopen/xarray-sentinel (дата обращения: 22.05.2023).
[7] The Sentinel Application Platform and the Sentinel Toolboxes [Электронный ресурс] https://step.esa.int/main/download/snap-download/ (дата обращения: 22.05.2023).
[8] Shunjun Wei, Xiangfeng Zeng, et al. HRSID: A High-Resolution SARImages Dataset for Ship Detection and Instance Segmentation // IEEEAccess, vol. 8, P. 120234-120254. 2020.
[9] Tsung-Yi Lin, Michael Maire, et al. Microsoft COCO: Common Objects in Context//ArXiv, abs/1405.0312. 2015.
[10] International Ice Patrol Iceberg Sightings Database [Электронный ресурс] https://nsidc.org/data/g00807/versions/1 (дата обращения: 22.05.2023).
[11] Python wrapper for the ASF SearchAPI [Электронный ресурс] https: //github.com/asfadmin/Discovery-asf_search (дата обращения: 22.05.2023).
[12] COCO Annotator, a web-based image annotation tool [Электронный ресурс] https://github.com/jsbroks/coco-annotator (дата обращения: 22.05.2023).
[13] F. C. Robey, D. R. Fuhrmann, E. J. Kelly and R. Nitzberg. A CFAR adaptive matched filter detector. IEEE Trans. Aerosp. Electron. Syst. 1992, vol. 28, no. 1, P. 208-216.
[14] Huimin Huang, Lanfen Lin, et al. UNet 3+: A Full-Scale Connected UNetfor Medical Image Segmentation // ArXiv, abs/2004.08790. 2020.
[15] Jieneng Chen, Yongyi Lu, et al. TransUNet: Transformers Make StrongEncoders for Medical Image Segmentation // ArXiv, abs/2102.04306. 2021...26


Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ