Глава 1. Введение 3
Глава 2. Постановка задачи 5
2.1. Задача 5
2.2. Первый подход 5
2.3. Второй подход 6
2.4. Общие ограничения 7
Глава 3. Анализ литературы 8
3.1. Введение 8
3.2. Методы сегментации, не использующие глубокое обучение . 8
3.3. Методы сегментации, использующие глубокое обучение . . 8
3.4. Итог 9
Глава 4. Методология 11
4.1. Введение 11
4.2. Подход без глубокого обучения 11
4.2.1 EM алгоритм 11
4.3. Подход с глубоким обучением 16
4.3.1 Бэкбоун 17
4.3.2 DINO 18
4.3.3 Итоговая сеть 19
4.3.4 Фильтрация выхода 20
4.4. Предобработка изображений 21
Глава 5. Результаты 23
5.1. Метрики 23
5.2. Пример маски 24
5.3. Итог 24
Глава 6. Заключение 25
Список литературы 27
Глава 1. Введение
Развитие судоходства в Арктике требует создания и внедрения современных технологических решений для обеспечения безопасности и эффективности морских операций. Ледоколы играют ключевую роль в освоении
этих регионов, обеспечивая проход судов через ледовые поля и выполняя различные научно-исследовательские и промышленные задачи. Бортовой измерительный комплекс (БИК) должен стать важной частью ледокола, поскольку
позволит автоматизировать часть работы команды судна, что позволит исследователям больше заниматься анализом данных, нежели их сбором.
Сейчас анализ ледовой обстановки выполняется человеком. Специалисту приходится при помощи камер выглядывать за борт судна, чтобы оценить
толщину ледового покрытия, самостоятельно наблюдать за эволюцией ледового канала, который оставляет за собой ледокол. БИК призван исправить
эту ситуацию, автоматизировав сбор информации о ледовой обстановке около ледокола.
Комплекс, разработка части которого была положена в основу данной
работы, в течение зимы 2023–2024 годов и весны 2024 года был установлен
на борту ледокола Урал и тестировался всё это время.
В настоящей работе описаны результаты разработки алгоритмов для обработки изображения ледового канала. Была проанализирована литература и
3рассмотрены различные подходы. Результатом работы стали два алгоритма
по построению масок. Первый основан на EM алгоритме для попиксельной
сегментации, он был разработан в очень сжатые сроки, чтобы как можно раньше начать собирать данные. Второй алгоритм уже использует нейросетевой
подход, основанный на бэкбоуне, обучавшемся на задаче решения пазлов,
и дополненный предобученным трансформером с архитектурой DINO для
уточнения меток. В работе представлены как описания этих алгоритмов, так
и полученные результаты.
В данной дипломной работе было описано решение задачи по выделению ледового канала на изображении с кормы ледокола, с использованием
подходов с глубоким обучением и без него. Главной задачей проекта было разработка алгоритма, способного выделить пиксельную маску ледового
канала для упрощения его дальнейшего исследования и нахождения его характеристик, таких как ширина или скорость схождения.
В ходе выполнения проекта были разобраны современные методы сегментации изображений, был проведен анализ существующих решений в области глубокого обучения без учителя, а также рассмотрены классические (без
глубокого обучения) подходы к сегментации. Анализ существующих подходов именно в этой сфере, помог нивелировать проблему отсутствия размеченных датасетов арктических льдов и позволил провести обучение нейросети
на относительно небольшом датасете.
Для решения задачи было реализовано два подхода: подход без глубокого обучения, чтобы установить его на судно до конца декабря 2023 года,
чтобы уже плавающий ледокол мог собирать какие-то данные, второй подход
использовал нейросеть для более точного обнаружения канала и установки
на ледокол после его прибытия в порт. Оба подхода способны генерировать пиксельные маски канала. Проведенное тестирование сети показало, что
предложенный метод способен эффективно выделять ледовый канал, однако
результаты оказались не идеальными. Основными проблемами стали появление шумов и неточностей в маске, что связано с разнообразием условий
съемки и сложностью ледовых структур.
Даже с текущими неточностями и ограничениями нейросетевой подход
может и будет использован на практике. Он позволяет автоматизировать сбор
и первичный анализ информации о ледовом канале, облегчая работу команде
ледокола. В дальнейшем планируется дорабатывать существующий алгоритм,
как программно, улучшая нейросеть, так и технически, добавляя новые типы
сенсоров.
Таким образом, результаты данной работы демонстрируют перспективность использования нейросетевых методов для сегментации ледового ка-
25нала. Продолжение исследований в этом направлении, включая сбор более
разнообразных данных и улучшение архитектуры модели, может привести к
созданию более надежных и точных инструментов для навигации в арктических водах. Данный алгоритм в составе БИК будет установлен летом 2024
года на 4 ледокола серии Урал и на ледокол “50 лет победы”.
