Identificazione di navi in porto basato su immagini SAR con l'utilizzo di intelligenza artificiale.

Abstract

L’utilizzo delle immagini SAR (Radar ad Apertura Sintetica) `e diventato sempre pi`u importante per superare le limitazioni delle immagini ottiche tradizionali quando ci si trova di fronte a condizioni ambientali avverse. Questo studio sottolinea il ruolo centrale delle immagini SAR nel fornire dati continui anche in caso di condizioni nuvolose o scure, rivoluzionando il monitoraggio, la sicurezza e varie applicazioni nel mondo reale. Il satellite utilizzato, Sentinel-1, `e stato scelto come un’alternativa economica per la ricerca e per lo studio della superficie terrestre. Tuttavia, l’applicazione delle immagini SAR per il rilevamento di oggetti costieri, in particolare delle navi, ha presentato diverse sfide in quanto il satellite considerato fornisce solamente immagini di risoluzione pari a 10x10m, molto pi`u bassa rispetto ad altri satelliti. La mancanza di dati gi`a etichettati da utilizzare per l’addestramento di modelli di deep learning ha puntato il focus sulla fase di preprocessing delle immagini a disposizione per ricondurle a quelle utilizzate in letteratura e allo stato dell’arte. In particolare tramite l’utilizzo di un software GIS si `e creata una maschera poligonale da sovrapporre al tratto terrestre fonte di rumore e di segnale molto simile a quello proveniente dalle navi. Successivamente `e stato applicato il modello YOLOv8 per l’identificazione delle navi. L’addestramento `e stato fatto sul SAR Ship Dataset, ma vista la differenza tra le immagini di questo set e quelle di Sentinel- 1, si `e resa necessaria l’applicazioe di transfer learning su un dataset modesto creato manualmente.

The use of Synthetic Aperture Radar (SAR) images has become increasingly important in overcoming the limitations of traditional optical images when dealing with adverse environmental conditions. This study highlights the central role of SAR images in providing continuous data, even in the presence of cloudy or dark conditions, revolutionizing monitoring, security, and various real-world applications. The satellite used, Sentinel-1, was chosen as a cost-effective alternative for research and the study of the Earth’s surface. However, the application of SAR images to coastal object detection, particularly ships, presented several challenges, as the satellite considered only provides 10x10m resolution images, much lower than other satellites. The lack of pre-labeled data for training deep learning models shifted the focus to the preprocessing phase of the available images, aligning them with those used in the literature and state of the art. In particular, using GIS software, a polygonal mask was created to overlay the land segment, a source of noise very similar to that originating from ships. Subsequently, the YOLOv8 model was applied for ship detection. The training was conducted on the SAR Ship Dataset, but due to the differences between the images in this dataset and those from Sentinel- 1, the application of transfer learning on a modest dataset created manually became necessary.