La detección y clasificación de barcos en imágenes satelitales es crucial para múltiples aplicaciones, desde la seguridad marítima hasta la gestión del tráfico comercial. Permite a los gobiernos vigilar sus aguas territoriales, combatir actividades ilegales como la pesca no autorizada y el contrabando, y proteger los ecosistemas marinos. Además, facilita la optimización de rutas comerciales, la prevención de accidentes y el monitoreo de vertidos de contaminantes. En situaciones de emergencia o desastres naturales, ayuda en la localización de barcos en peligro y en la evaluación de daños.
En este escenario, SEDA aborda estos desafíos utilizando técnicas de Inteligencia Artificial en imágenes satelitales de diferentes espectros electromagnéticos y/o resoluciones. Este enfoque consigue automatizar tanto la detección como la clasificación de forma eficiente y precisa.
Entrada y características del modelo
Este caso de uso admite diferentes tipos de imágenes georeferenciadas de entrada: Imágenes SAR-IW (Synthetic Aperture Radar – Adquisition mode Interferometric Wide, de 10m/px), e imágenes Electro ópticas (entre ~1m/px y 10m/px de resolución).
La detección de buques bajo imágenes SAR, tienen una clara ventaja sobre condiciones meteorológicas o de iluminación, al detectar la energía emitida por el propio sensor y no requerir de luz solar, además de poder atravesar nubes o condiciones meteorológicas desfavorables. Por el contrario, un desafío clave en la detección de barcos es diferenciar entre barcos y elementos tales como plataformas marinas (Figura 1.b), las cuales se asemejan a buques en imágenes SAR de resoluciones 10m/px (Figura 1.a). Para abordar estas complicaciones, SEDA utiliza técnicas avanzadas de preprocesado y redes neuronales convolucionales (CNN) capaces de analizar las características de los elementos en la imagen reduciendo falsos positivos y mejorando la precisión.
Otro desafío se enfoca en la clasificación de barcos en imágenes SAR; la limitación de la resolución es un factor a tener en cuenta, por ello se hacen uso de CNN para extraer características como una aproximación de la eslora con la que poder clasificar el tipo de buque. Así mismo, existen otros mecanismos utilizados en SEDA, como el uso de datos AIS que ayudan a la detección y clasificación de los barcos.
En contraposición, a las imágenes SAR, tenemos a la imágenes ópticas donde los factores adversos afectan en gran medida a la resolución de estos casos de uso. Es por ello que en SEDA se hace uso de modelos basados en CNN entrenadas para solventar diferentes condiciones adversas tales como mares helados, cielos nublados o con baja luminosidad. Esta adaptación permite extraer las características de los barcos, tales como la forma, los colores o el tamaño independientemente de la condición adversa o la posibilidad de estar parcialmente cubiertos o recortados.
En la clasificación de barcos en imágenes ópticas de resolución 10m/px (como la de la Figura 2.), debido a la baja resolución, SEDA clasifica con un nivel de granularidad civil/militar.
Por el contrario, en resoluciones menores o iguales a 1m/px (Figura 3.) el mayor nivel de detalle permite la clasificación en SEDA de hasta 8 clases de embarcaciones, enfocándose principalmente en tipos de buques militares.
Salida del modelo de Inteligencia Artificial
SEDA procesa automáticamente la salida de la red neuronal CNN, mostrando los resultados de las detecciones en cajas rotadas (OBB) superpuestas en un visor GIS. También, desde SEDA se proporcionan los resultados en formatos como shapefiles, KML y NVG; además de otros tipos de formatos oficiales utilizados en el entorno OTAN, como ISRSPOTREP y RECCEXREP. Se facilita también la imagen analizada convertida a NSIF, formato diseñado para el intercambio de imágenes y datos relacionados en entornos de defensa e inteligencia. La versatilidad de estos formatos permite la integración de los resultados de SEDA en otras plataformas y sistemas de análisis geoespacial, tanto civiles como militares.
ES 
EN