Pirhua

Metodología para la detección de contactos en imágenes de radar de superficie aplicando redes neuronales convolucionales

Pirhua Repository

 

Metodología para la detección de contactos en imágenes de radar de superficie aplicando redes neuronales convolucionales

info:eu-repo/semantics/doctoralThesis; https://purl.org/pe-repo/renati/type#tesis. Sustentada 2022-07.

Redes neuronales (Computadores) -- Aplicación Detección por radar -- Investigaciones Procesamiento de imágenes -- Técnicas digitales

Abstract

El objetivo de la tesis es el diseño de una metodología para la generación de un modelo de detección de contactos en imágenes de radar utilizando redes neuronales convolucionales que permita elevar la detección de contactos y reducir la tasa de falsas alarmas con un alto rendimiento. Con tal fin se preprocesaron y mejoraron las imágenes crudas proporcionadas por la Marina de Guerra del Perú. Seguidamente se diseñó el modelo de detección basado en redes neuronales convolucionales determinando la arquitectura y configuración. Finalmente se entrenó y obtuvo el mejor modelo de detección y evaluó el aprendizaje y rendimiento del modelo de detección. Para el estudio se han utilizado imágenes de un solo sensor bajo el mismo escenario, ubicado en la costa peruana del Callao, Lima. El trabajo se limita a la fase de detección. Las imágenes de radar contienen el reflejo de los objetos que el radar encuentra en su paso o envío de su señal electromagnética, determinando si hay un posible objetivo más que determinar el tipo de embarcación. Se limita el trabajo a la extracción de “plots” es decir a la presencia de posibles objetivos. En una fase subsiguiente denominada “Tracking” se utilizan algoritmos predictivos para ejecutar el seguimiento, minimizar el error y determinar el tipo de objetivo. Posteriormente, el sistema de comando y control se comunicará con diversas armas. Los resultados obtenidos en este trabajo son aplicables a cualquier radar de navegación comercial ubicado en la costa peruana. Se concluye que el modelo de detección con afinamiento de hiperparámetros obtuvo mejor rendimiento que el modelo por defecto. Esto se demuestra en los resultados; alcanzando los valores de 0.945 para Recall y 0.951 en Precisión. Asimismo, el recorte automático facilita la obtención de recortes de objetos que serán etiquetados por el experto. La aplicación del recorte automático está diseñada para discriminar los objetos de acuerdo a características, como la intensidad y dimensiones de pixeles. Asimismo, el recorte automático ha permitido obtener recortes más exactos y en consecuencia ha mejorado el aprendizaje del algoritmo.

Files in this item

Acerca del trabajo

 
 
 
 

The following license files are associated with this item:

This item appears in the following Collection(s)

Attribution-NonCommercial-NoDerivatives 4.0 Internacional Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 Internacional

Search Pirhua

Guides and tutorials

Check the manuals to quote, publish or find content in our institutional repository.

Main catalog

Browse more collections in Biblioteca Central.

My Account