Ontwikkeling nieuwe algoritmes en leersysteem om schepen beter te herkennen

TU Eindhoven heeft een nieuw model ontwikkeld met gebruik van innovatieve algoritmes en deep learning om schepen onder sterk variërende omstandigheden te herkennen of te heridentificeren.

Trefwoorden: #algoritme, #monitoring, #research, #schepen

Lees verder

research

( Foto: TU/e )

ENGINEERINGNET.BE - Er worden steeds vaker slimme bewakingssystemen ingezet om maritieme gebieden in de gaten te houden, maar deze functioneren nog niet optimaal.

“Schepen hebben verschillende vormen, varen met allerlei snelheden en zijn als ze ver weg zijn slechts een paar vage pixels. Zie daar maar eens een boot in te herkennen," aldus onderzoeker Amir Ghahremani van TU Eindhoven.

"Ook maken het water en de weersomstandigheden het extra lastig. Schijnt de zon, dan heb je last van reflectie. Bij mist of zware regen is de beeldkwaliteit veel minder. Een heel dynamische omgeving dus.”

Binnen het internationale project Applying Plug & Play Surveillance werkte Ghahremani daarom met universiteiten, instituten en industriële partners aan innovatieve algoritmes om geautomatiseerde maritieme monitoringssystemen te verbeteren.

Daarbij gaat om de veiligheid in havens, van zeegebieden en drukbevaren rivieren en kanalen. Er moest een robuust systeem komen, die raad weet met sterk variërende omstandigheden.

Beeldmateriaal om algoritmes op te testen was er echter niet. Daarom ging Gharemani eerst zelf een maand op pad om foto’s te maken. Van schepen in de havens van Amsterdam en Rotterdam, boten in Turkse havens tot in Giethoorn.

Ghahremani ontwikkelde vervolgens algoritmes om schepen te herkennen en merkte dat de herkenning sterk verbeterde als duidelijk was waar zich water in het beeld bevond. “Door het watergebied in een beeld af te bakenen, kun je vervolgens hier op inzoomen. Een auto die langs de kustlijn rijdt wordt dan niet meer als schip benoemd.”

Daarna ging hij aan de slag om een neuraal netwerk op te zetten aan de hand van zijn beeldmateriaal. Met deep learning trainde Ghahremani het systeem om de algoritmes beter te laten worden in het herkennen van schepen.

Zijn zelflerende algoritmes blijken ook bruikbaar voor heridentificatie van schepen op niet overlappende camera’s. “In grote maritieme gebieden kan een schip pas tien kilometer later weer opnieuw in beeld verschijnen. Dankzij het slimme neurale netwerk is de kans op heridentificatie veel groter."

"Deze aanpak is nieuw en veelbelovend. Door het netwerk te blijven verbeteren en te trainen, kan het gedrag van schepen steeds beter worden ingeschat en worden de havens en andere maritieme gebieden zo steeds veiliger.”