Show simple item record

dc.contributor.advisorFan, Hongchao
dc.contributor.advisorTofting, Adrian
dc.contributor.advisorBerg-Jensen, Lars Henrik
dc.contributor.authorSolberg, Torstein
dc.date.accessioned2021-10-05T17:39:42Z
dc.date.available2021-10-05T17:39:42Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:80599695:33268584
dc.identifier.urihttps://hdl.handle.net/11250/2787923
dc.descriptionFull text not available
dc.description.abstractMaritim overvåking er fortsatt i sin spede begynnelse, der myndigheter fortsatt mangler domenebevissthet for å oppdage og hindre tjuvfiske, smugling og annen ulovlig aktivitet som forårsaker økonomisk og økologisk skade. Gjennom fremskritt innenfor fjernmålingsteknologi og deteksjonsmodeller, endrer derimot situasjonen seg raskt. Denne oppgaven dekker opprettelse og evaluering av en løsning som automatiserer prosessen med å identifisere skip oppdaget på satellittbilder, med et spesielt fokus på å utnytte avanserte posisjonsestimeringsmetoder. De viktigste inngangsdatakildene til løsningen er Sentinel-2-satellittbilder merket med deteksjoner og navigasjonsinformasjon fra Automatic Identification System. Dette gjøres ved å estimere den nåværende posisjonen til alle skip innenfor Sentinel-2-bildeavtrykket, og deretter sammenligne de estimerte skipsposisjonene med deteksjonene. Selve løsningen består av to moduler, nemlig skipsposisjonestimeringsmodulen og sammenligningsmodulen. Hver modul har strengt definerte input, output og evalueringsmetrikker, noe som gjør det mulig å evaluere og sammenligne flere ulike implementasjoner. Den første iterasjonen av løsningen består av en lineær interpolasjonsposisjonsestimator og en nærmeste nabo-sammenligningsmetode, som gir referanseresultater de andre metodene kan sammenlignes med. Denne oppgaven foreslår to mer avanserte metoder som skal sammenlignes. Den første er en kurvilineær interpoleringsmetode, som utkonkurrerer referanseresultatene. I tillegg blir en dyp læringsbasert datadrevet metode utviklet og testet, men det gjenstår å tilpasse den til selve skipsposisjonestimeringsmodulen. Selv om løsningen er designet for å bli brukt globalt, omfatter selve eksperimentene en analyse og forbehandling av data på et 10 000 kvadratkilometer stort område utenfor Vestkysten av Norge. Ulike dataaugmenteringer som simulerer forventet datakvalitet over hele kloden fungerer fortsatt som et bevis på konseptet for global tilpasning er gjennomførbart. For å konkludere viser eksperimentene at framgangsmåten har potensiale til å identifisere skip selv under dårlige forhold. Både den kurvilineære estimeringsmetoden og den datadrevne dyplæringsmetoden viser lovende ytelse, som klart overgår lineær estimering i de fleste tilfeller. Rørledningen nådde maksimalt 100 % identifikasjonsnøyaktighet under realistiske omstendigheter.
dc.description.abstractMaritime surveillance is still in its infancy, where authorities lack the domain awareness to detect and prevent illegal fishing, smuggling, and other criminal activity that causes economic and ecological damage. However, through the advance of remote sensing technology and detection models, the situation is rapidly changing. This thesis covers the creation and evaluation of a pipeline that automates the process of identifying ships detected on satellite images, leveraging advanced position estimation methods. The main input datasources to the pipeline are Sentinel-2 satellite images labeled with detections and navigational information from the Automatic Identification System. The Detection Matching Pipeline works by estimating the current position of all ships within the Sentinel-2 image footprint and subsequent comparison of the estimated positions with the image detections. The pipeline consists of two modules, namely the Ship Position Estimation Module and the Matching Module. Each module has defined input, output, and performance metrics, making it possible to evaluate and compare multiple implementations. The first iteration of the pipeline consists of a linear interpolation position estimator and a nearest-neighbor matching method, forming the baseline comparison experiment. In addition to the baseline, this thesis suggests and implements two other position estimation methods of increasing complexity. First, a curvilinear interpolation method is implemented and adapted to the pipeline, outperforming the original benchmark. Secondly, the capability of a deep learning-based data-driven method is tested, albeit not adapted fully to the pipeline. Although the pipeline is designed to be used globally, the scope of the experiments encompasses an extensive exploratory data analysis and preprocessing of data of a 10 000 square kilometer area outside the West coast of Norway. Different data augmentations simulating expected data quality across the globe still serve as a proof of concept for global adaptation of the pipeline. In conclusion, the experiments show that the pipeline has the potential of accurately identifying ships even under poor conditions. The curvilinear estimation method and the data-driven deep learning method show promising performance, clearly outperforming linear estimation in most cases. The pipeline reached a maximum of 100% identification accuracy under realistic circumstances.
dc.languageeng
dc.publisherNTNU
dc.titleAdvanced Ship Position Estimation Using Automatic Identification System - A tailored effort to improve Satellite Imagery Ship Detection Identification
dc.typeMaster thesis


Files in this item

FilesSizeFormatView

This item appears in the following Collection(s)

Show simple item record