La seguridad y control de las áreas portuarias implica un seguimiento a varios niveles. Por ejemplo, las autoridades necesitan saber qué tipo de barcos están entrando, si pueden ser culpables de pesca ilegal y qué carga llevan. Los oficiales de seguridad y los capitanes de puerto a menudo no pueden llevar a cabo estas tareas de control por sí mismos, razón por la cual los puertos de todo el mundo utilizan cada vez más sistemas de vigilancia inteligente para monitorear el territorio marítimo. El investigador de TU/e, Amir Ghahremani, desarrolló nuevos algoritmos y un sistema de aprendizaje basado en visión por computadora para mejorar la identificación de embarcaciones con el que obtuvo su doctorado en el departamento de Ingeniería Eléctrica el pasado 24 de junio.
Identificando barcos por imagen digital
Identificar un barco en una imagen de computadora puede parecer simple, pero el investigador de doctorado Amir Ghahremani ya sabe que nada es lo que parece. “Los barcos vienen en varias formas y viajan a diferentes velocidades.
Cuando están lejos, todo lo que ves en la pantalla son un par de píxeles vagos. ¡Intenta reconocer un barco en eso!
Además, las condiciones del agua y del clima a menudo dificultan aún más la identificación de los barcos. La luz del sol brillante provoca reflejos, y la niebla o la lluvia intensa también reducen la calidad de las imágenes. En definitiva, un entorno muy dinámico.”
Algoritmo para vigilancia portuaria automatizada
Dentro del proyecto internacional Aplicación de Vigilancia Plug & Play (APPS), Ghahremani colaboró con varias universidades, institutos y socios industriales de todo el mundo en algoritmos innovadores para mejorar los sistemas automatizados de vigilancia marítima.
Estos sistemas no solo se utilizan para garantizar la seguridad de las zonas portuarias, sino también de los territorios marítimos y las concurridas rutas fluviales y de canales.
Los investigadores se propusieron desarrollar un sistema robusto adaptado a condiciones muy variables. Sin embargo, no tenían imágenes visuales para probar sus algoritmos, razón por la cual Ghahremani primero pasó un mes disparando y recopilando fotos. Esto incluía fotos de barcos en los puertos de Amsterdam y Rotterdam, de barcos en puertos turcos y de su favorito personal: el pueblo de Giethoorn, famoso por sus canales y barcos.
Pero no encontrarás ningún portacontenedores en Giethoorn. En cambio, los canales están llenos de embarcaciones de recreo para turistas, especialmente durante la temporada alta. Ghahremani finalmente terminó en un bote tradicional. Y no sin resultados, admite con una sonrisa, ya que le enseñó al investigador nacido en Irán con predilección por las montañas a apreciar la campiña holandesa plana y rica en agua. De hecho, incluso se convirtió en ciudadano holandés recientemente.
Comportamiento dinámico del tipo de barco o las condiciones de navegación
Sus fotos muestran claramente los diversos desafíos dentro del dominio marítimo, explica Ghahremani. “Los barcos vienen en varias formas y tamaños, y se mueven en diferentes direcciones. La vigilancia marítima a menudo cubre vastas áreas, razón por la cual los barcos a veces se ubican lejos de una cámara. Y luego está el desafío de cambiar las condiciones climáticas y el comportamiento dinámico del agua”.
Ghahremani muestra una imagen de un barco en medio de un océano perfecto bajo un sol brillante y resplandeciente. “Si necesitas entrecerrar los ojos por el sol, también tienes más dificultad para ver las cosas”.
Ghahremani desarrolló algoritmos de reconocimiento de embarcaciones y notó que el reconocimiento mejoró mucho cuando quedó claro en qué parte de la imagen se encontraba el agua. “Al demarcar la región del agua en una imagen, puedes ampliarla. Un automóvil que circula por la costa ya no se identificará como un barco”.
Luego comenzó a configurar una llamada red neuronal basada en sus imágenes. Usando técnicas de aprendizaje profundo, entrenó el sistema para ayudar a los nuevos algoritmos a mejorar su precisión en el reconocimiento de barcos.
Y funcionó. Con imágenes familiares al principio, pero al final de su proyecto también con nuevas imágenes, en las que el reconocimiento de embarcaciones se hizo cada vez más preciso.
Sus algoritmos de autoaprendizaje no solo mejoraron el reconocimiento de embarcaciones, sino que también resultaron útiles para la reidentificación de embarcaciones a través de vistas de cámara que no se superponen. “A veces, un barco vuelve a aparecer ante la cámara después de diez kilómetros, especialmente en grandes áreas marítimas. La red neuronal inteligente aumenta significativamente la posibilidad de volver a identificarse. Este enfoque es nuevo y prometedor. Y la mejora continua y la formación de la red permitirán que los sistemas de vigilancia marítima analicen el comportamiento de los buques, lo que aumentará la seguridad de las zonas portuarias y otras regiones marítimas”.
Título de la tesis doctoral: “ Análisis de vídeo automatizado para la vigilancia marítima ”. Supervisores: Peter de With y Egor Bondarau.
Fuente: Cursor/ Eindhoven University of Technology
Más artículos sobre algoritmos, vigilancia y seguridad que te pueden interesar:
- Blockchain para la navegación aérea
- Plan de Choque de Ciberseguridad, clave para proteger a la Administración Pública
- Dudas sobre uso de cámaras termográficas y protección de datos
- Reconocimiento Facial para el sector Turismo
- Scanner de seguridad con detección en movimiento
- Cámaras con visión profunda e hiperespectral
- Teoría de juegos para la ciberseguridad
- Cámaras de un píxel basadas en la visión animal
- Chips que autodetectan ataques de ciberseguridad
- Drones, apps y privacidad legal
- Vehículos autónomos con visión de Rayos X
- Algoritmo para mejorar el tráfico en las ciudades
