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

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.