Loading...
Publication
Geolocalização de alvos marítimos a partir de uma câmara RGB montada num UAV
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.29 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Os Veículos Aéreos Não Tripulados (VANTs) têm potencial para se tornarem uma ferramenta valiosa na vigilância marítima, especialmente em cenários onde os navios não utilizam o Sistema de Identificação Automática. Esta dissertação aborda a geolocalização de alvos marítimos a partir de imagens captadas por uma câmara RGB (Red, Green and Blue) montada num VANT, utilizando dados de posicionamento (Global Positioning System, GPS) e orientação (Inertial Measurement Unit, IMU).
A metodologia desenvolvida visa detetar e geolocalizar navios recorrendo a um VANT, contribuindo para o esclarecimento do panorama situacional sem a mobilização de meios adicionais. A abordagem incluiu a calibração da câmara para
determinar parâmetros intrínsecos e extrínsecos, a deteção de navios utilizando redes neuronais convolucionais You Only Look Once (YOLO) versão 8 com a arquitetura nano e a geolocalização direta baseada em transformações de coordenadas, utilizando informações da pose do VANT e da orientação da câmara, com aplicação do Filtro de Kalman Estendido (FKE) para reduzir o erro da estimativa ao longo do tempo.
Um contributo significativo foi a criação de um conjunto de dados original, composto por um vídeo captado por VANT, com dados de pose, dados de transformação de coordenadas do mundo para a câmara, anotações do vídeo e as posições dos navios detetados. Os resultados experimentais, obtidos em testes reais, demonstraram uma deteção eficaz, alcançando um F1 Score de 0.66. A geolocalização revelou erros médios de 100 m a 1200 m, para alvos próximos (2 km) e distantes (5 km), respetivamente, com o FKE a melhorar a consistência em alvos distantes. Limitações como ruído sensorial, assincronismo temporal e proximidade da deteção ao horizonte impactaram a precisão. A metodologia revelou-se viável para vigilância marítima, mas requer mais testes para alvos a maior distância.
Unmanned Aerial Vehicles (UAVs) have the potential to become a valuable tool in maritime surveillance, particularly in scenarios where ships do not use the Automatic Identification System (AIS). This dissertation addresses the geolocation of maritime targets from images captured by an RGB (Red, Green, and Blue) camera mounted on a UAV, using positioning data (Global Positioning System, GPS) and orientation data (Inertial Measurement Unit, IMU). The developed methodology aims to detect and geolocate ships using a UAV, contributing to situational awareness without the need for additional resources. The approach included camera calibration to determine intrinsic and extrinsic parameters, ship detection using the You Only Look Once (YOLO) version 8 convolutional neural network with the nano architecture, and direct geolocation based on coordinate transformations, utilizing the UAV’s pose and camera orientation data, with the application of the Extended Kalman Filter (EKF) to reduce estimation errors over time. A significant contribution was the creation of an original dataset, consisting of a video captured by a UAV, including pose data, world-to-camera coordinate transformation data, video annotations, and the positions of detected ships. Experimental results, obtained from real-world tests, demonstrated effective detection, achieving an F1 Score of 0.66. Geolocation showed average errors of 100 m to 1200 m for nearby (2 km) and distant (5 km) targets, respectively, with the EKF improving consistency for distant targets. Limitations such as sensor noise, temporal asynchrony, and detection proximity to the horizon impacted accuracy. The methodology proved viable for maritime surveillance but requires further testing for targets at greater distances.
Unmanned Aerial Vehicles (UAVs) have the potential to become a valuable tool in maritime surveillance, particularly in scenarios where ships do not use the Automatic Identification System (AIS). This dissertation addresses the geolocation of maritime targets from images captured by an RGB (Red, Green, and Blue) camera mounted on a UAV, using positioning data (Global Positioning System, GPS) and orientation data (Inertial Measurement Unit, IMU). The developed methodology aims to detect and geolocate ships using a UAV, contributing to situational awareness without the need for additional resources. The approach included camera calibration to determine intrinsic and extrinsic parameters, ship detection using the You Only Look Once (YOLO) version 8 convolutional neural network with the nano architecture, and direct geolocation based on coordinate transformations, utilizing the UAV’s pose and camera orientation data, with the application of the Extended Kalman Filter (EKF) to reduce estimation errors over time. A significant contribution was the creation of an original dataset, consisting of a video captured by a UAV, including pose data, world-to-camera coordinate transformation data, video annotations, and the positions of detected ships. Experimental results, obtained from real-world tests, demonstrated effective detection, achieving an F1 Score of 0.66. Geolocation showed average errors of 100 m to 1200 m for nearby (2 km) and distant (5 km) targets, respectively, with the EKF improving consistency for distant targets. Limitations such as sensor noise, temporal asynchrony, and detection proximity to the horizon impacted accuracy. The methodology proved viable for maritime surveillance but requires further testing for targets at greater distances.
Description
Keywords
Veículo Aéreo Não Tripulado Câmara RGB Navios Deteção Geolocalização Unmanned Aerial Vehicles RGB Camera Ships Detection Geolocation
Pedagogical Context
Citation
Publisher
CC License
Without CC licence