Εντοπισμός πλοίων από αεροφωτογραφίες.
Φόρτωση...
Ημερομηνία
2025-07-22
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Επιστημών Διοίκησης και Οικονομίας (ΣΕΔΟ), ΠΜΣ Διοίκηση και Ψηφιακός Μετασχηματισμός
Περίληψη
Η παρούσα εργασία επικεντρώνεται στον εντοπισμό πλοίων από αεροφωτογραφίες υψηλής ανάλυσης, μια πρόκληση με αυξανόμενο ενδιαφέρον λόγω των εφαρμογών της σε τομείς όπως η ναυτική ασφάλεια, η περιβαλλοντική παρακολούθηση και η διαχείριση λιμένων.
Η ανίχνευση αντικειμένων σε αεροφωτογραφίες αποτελεί μία από τις πλέον διαδεδομένες και σημαντικές εφαρμογές στον τομέα της υπολογιστικής όρασης. Παρ’ όλα αυτά, πρόκειται για ένα απαιτητικό πρόβλημα, καθώς η κατανομή των αντικειμένων στο εναέριο οπτικό πεδίο δεν είναι ομοιογενής, ενώ η εμφάνισή τους ενδέχεται να μεταβάλλεται σημαντικά λόγω διαφορετικών γωνιών λήψης, υψομετρικών διαφορών και συνθηκών φωτισμού (Chalavadi et al., 2022).
Αρχικά παρουσιάζεται η σχετική θεωρητική βάση, καθώς και η εξέλιξη των τεχνικών εντοπισμού πλοίων, με έμφαση στις μεθόδους που βασίζονται σε συνελικτικά νευρωνικά δίκτυα (CNN) και σύγχρονες αρχιτεκτονικές όπως το YOLO.
Η έρευνα είχε στόχο την εκπαίδευση ενός μοντέλου τεχνητής νοημοσύνης για τον εντοπισμό πλοίων σε αεροφωτογραφίες, αξιοποιώντας το μοντέλο YOLOv8, ένα από τα πλέον σύγχρονα μοντέλα object detection, χρησιμοποιώντας το ανοιχτό σύνολο δεδομένων ShipRSImageNet, με στόχο την ανάλυση της ακρίβειας και της απόδοσης του μοντέλου σε πραγματικές συνθήκες.
Τα αποτελέσματα δείχνουν ότι το μοντέλο επιτυγχάνει υψηλά ποσοστά ανίχνευσης και καλή γενίκευση, παρά τις δυσκολίες που παρουσιάζονται λόγω ποικιλομορφίας του φόντου και του μεγέθους των πλοίων, καθώς εξαιρετικά αποτελέσματα παρατηρήθηκαν σε μεγάλες κατηγορίες πλοίων, ενώ σπάνιες ή μικρές κατηγορίες είχαν χαμηλότερη απόδοση. Οι κύριοι περιορισμοί περιλαμβάνουν ανισορροπία στις κατηγορίες, μειωμένη απόδοση σε μικρά/σκοτεινά αντικείμενα, απουσία χρονικής πληροφορίας και σύγχυση μεταξύ ομοειδών κατηγοριών.
This thesis focuses on ship detection from high-resolution aerial images, a challenge of growing interest due to its applications in fields such as maritime security, environmental monitoring, and port management. Object detection in aerial imagery is one of the most widespread and significant applications in the field of computer vision. However, it remains a demanding problem, as the distribution of objects within the aerial visual field is non-uniform, and their appearance can vary significantly due to different viewing angles, altitude differences, and lighting conditions (Chalavadi et al., 2022). Initially, the relevant theoretical background is presented, along with the evolution of ship detection techniques, with an emphasis on methods based on convolutional neural networks (CNNs) and modern architectures such as YOLOv8. The research aimed to train an artificial intelligence model for ship detection in aerial images, utilizing the YOLOv8 model—one of the most advanced object detection models—using the open dataset ShipRSImageNet, with the objective of analyzing the model’s accuracy and performance under real-world conditions. The results demonstrate that the model achieves high detection rates and good generalization despite the challenges posed by the diversity of backgrounds and ship sizes. Outstanding performance was observed for large ship categories, whereas rare or small categories showed lower accuracy. The main limitations include class imbalance, reduced performance on small or dark objects, the absence of temporal information and confusion among similar categories.
This thesis focuses on ship detection from high-resolution aerial images, a challenge of growing interest due to its applications in fields such as maritime security, environmental monitoring, and port management. Object detection in aerial imagery is one of the most widespread and significant applications in the field of computer vision. However, it remains a demanding problem, as the distribution of objects within the aerial visual field is non-uniform, and their appearance can vary significantly due to different viewing angles, altitude differences, and lighting conditions (Chalavadi et al., 2022). Initially, the relevant theoretical background is presented, along with the evolution of ship detection techniques, with an emphasis on methods based on convolutional neural networks (CNNs) and modern architectures such as YOLOv8. The research aimed to train an artificial intelligence model for ship detection in aerial images, utilizing the YOLOv8 model—one of the most advanced object detection models—using the open dataset ShipRSImageNet, with the objective of analyzing the model’s accuracy and performance under real-world conditions. The results demonstrate that the model achieves high detection rates and good generalization despite the challenges posed by the diversity of backgrounds and ship sizes. Outstanding performance was observed for large ship categories, whereas rare or small categories showed lower accuracy. The main limitations include class imbalance, reduced performance on small or dark objects, the absence of temporal information and confusion among similar categories.
Περιγραφή
Λέξεις-κλειδιά
ανίχνευση πλοίων, εναέριες εικόνες, YOLOv8, μηχανική μάθηση, νευρωνικά δίκτυα, ship detection, aerial images, machine learning, neural networks