Resumen:
Este trabajo de fin de grado presenta un sistema automático basado en aprendizaje profundo (YOLOv8), para la detección y clasificación de aeronaves en imágenes de Radar de Apertura Sintética (SAR). Financiado parcialmente por la Agencia Espacial Europea, en colaboración con el INSIA y HISDESAT Servicios Estratégicos S.A., este proyecto aborda un desafío crucial en la vigilancia aérea y la seguridad.
Se ha optimizado YOLOv8, logrando una precisión del 95.86 % y un recall del 94.93 % en la detección, superando a otros modelos de estado del arte. Por otro lado, el modelo demostró una notable robustez en la clasificación multiclase, alcanzando un 94.34 % de precisión. Sin embargo, la distribución desequilibrada de los datos afectó la precisión de detección en áreas sin aviones y causó clasificaciones interclase incorrectas al aumentar la granularidad.
Para mitigar este desequilibrio y la escasez de datos, se ha explorado la generación de imágenes SAR sintéticas utilizando modelos de difusión. Esta aproximación de IA generativa ha mostrado resultados muy prometedores en la creación de firmas radar, demostrando su viabilidad para futuras ampliaciones del proyecto.
El sistema, con su arquitectura modular, ya ha sido implementado y presentado a HISDESAT para su uso interno. Los principales hallazgos están en proceso de publicación.
Abstract:
The research presented in this paper focuses on an automated system based on deep learning(YOLOv8) for the detection and classification of aircraft in Synthetic Aperture Radar (SAR) imagery. Partially funded by the European Space Agency, in collaboration with INSIA and HISDESAT Servicios Estratégi-cos S.A., this project addresses a crucial challenge in aerial surveillance and security.
YOLOv8 was optimized, achieving a detection precision of 95.86 % and a recall of 94.93 %, outperforming other state-of-the-art models. Furthermore, the model demonstrated notable robustness in multiclass classification, reaching 94.34 %precision. However, an unbalanced data distribution affected detection precision in areas without aircraft and led to incorrect detections and interclass classifications when granularity was increased.
To mitigate this imbalance and data scarcity, we explored the generation of synthetic SAR images using diffusion models. This generative AI approach has shown very promising results in creating radar signatures, demonstrating its viability for future research.
The system, with its modular architecture, has already been implemented and presented to HISDESAT for in-house use. The main findings are currently in the process of publication.
Resumen:
Este trabajo de fin de grado presenta un sistema automático basado en aprendizaje profundo (YOLOv8), para la detección y clasificación de aeronaves en imágenes de Radar de Apertura Sintética (SAR). Financiado parcialmente por la Agencia Espacial Europea, en colaboración con el INSIA y HISDESAT Servicios Estratégicos S.A., este proyecto aborda un desafío crucial en la vigilancia aérea y la seguridad.
Se ha optimizado YOLOv8, logrando una precisión del 95.86 % y un recall del 94.93 % en la detección, superando a otros modelos de estado del arte. Por otro lado, el modelo demostró una notable robustez en la clasificación multiclase, alcanzando un 94.34 % de precisión. Sin embargo, la distribución desequilibrada de los datos afectó la precisión de detección en áreas sin aviones y causó clasificaciones interclase incorrectas al aumentar la granularidad.
Para mitigar este desequilibrio y la escasez de datos, se ha explorado la generación de imágenes SAR sintéticas utilizando modelos de difusión. Esta aproximación de IA generativa ha mostrado resultados muy prometedores en la creación de firmas radar, demostrando su viabilidad para futuras ampliaciones del proyecto.
El sistema, con su arquitectura modular, ya ha sido implementado y presentado a HISDESAT para su uso interno. Los principales hallazgos están en proceso de publicación.
Abstract:
The research presented in this paper focuses on an automated system based on deep learning(YOLOv8) for the detection and classification of aircraft in Synthetic Aperture Radar (SAR) imagery. Partially funded by the European Space Agency, in collaboration with INSIA and HISDESAT Servicios Estratégi-cos S.A., this project addresses a crucial challenge in aerial surveillance and security.
YOLOv8 was optimized, achieving a detection precision of 95.86 % and a recall of 94.93 %, outperforming other state-of-the-art models. Furthermore, the model demonstrated notable robustness in multiclass classification, reaching 94.34 %precision. However, an unbalanced data distribution affected detection precision in areas without aircraft and led to incorrect detections and interclass classifications when granularity was increased.
To mitigate this imbalance and data scarcity, we explored the generation of synthetic SAR images using diffusion models. This generative AI approach has shown very promising results in creating radar signatures, demonstrating its viability for future research.
The system, with its modular architecture, has already been implemented and presented to HISDESAT for in-house use. The main findings are currently in the process of publication. Read More
Related posts:
Sistema de seguimiento a operarios mediante cámara para vehículos autónomos
Comparative Analysis of Computer Vision Techniques for Infrastructure Detection
Aplicabilidad de un sistema de sensor de anillo óptico para determinación en línea del tamaño de frutos alargados y redondeados
Aplicación de modelos YOLO-NAS y YOLOv8 en sistemas seguimiento de múltiples objetos
Sistema para la detección de defectos en circuitos impresos mediante técnicas de aprendizaje automático
Evaluación de redes neuronales artificiales aplicadas a ortofotos