Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10609/148471
Título : Vessel detection in Synthetic Aperture Radar images using Faster R-CNN models: Advanced monitoring techniques to improve fisheries management
Autoría: Carbó Mestre, Pol
Tutor: Rebrij, Romina  
Otros: Ventura, Carles  
Resumen : Tradicionalmente, la gestión pesquera se ha basado en el establecimiento de cuotas y la recolección manual de datos. Sin embargo, el constante deterioro de las poblaciones pesqueras ha requerido la adopción de sistemas de control electrónicos como el Sistema de Monitoreo de Embarcaciones (VMS) y el Sistema de Identificación Automática (AIS), cuyas limitaciones, sin embargo, siguen sin prevenir la sobreexplotación pesquera. Debido a esto, en los últimos años, varios avances en el análisis de imágenes satelitales de Radar de Apertura Sintética (SAR) con técnicas de Aprendizaje Automático (ML) han destacado como prometedoras herramientas para gestionar las actividades pesqueras. Estos avances están revolucionando el control de la industria marina, reduciendo las limitaciones de las técnicas tradicionales. Este trabajo se centra en la detección de embarcaciones, utilizando métodos de "computer vision", específicamente Redes Neuronales Convolucionales (CNN) del tipo Faster Region-Based (Faster-RCNN). En este proyecto, hemos evaluado el rendimiento de estos modelos, incluyendo la implementación de diversas técnicas de preprocesamiento de imágenes. Además, para demostrar el potencial de este enfoque en la gestión pesquera, hemos aplicado el modelo en imágenes del satélite Sentinel-1 a través de un caso de estudio sobre las pesquerías chilenas y desarrollado un informe interactivo para presentar los resultados.
Palabras clave : machine learning
fisheries management
Synthetic Aperture Radar
Tipo de documento: info:eu-repo/semantics/masterThesis
Fecha de publicación : 20-jun-2023
Licencia de publicación: http://creativecommons.org/licenses/by-nc-sa/3.0/es/  
Aparece en las colecciones: Bachelor thesis, research projects, etc.

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
UOC_MemoriaFinal_pcarbomestre.pdfTFM report1,8 MBAdobe PDFVista previa
Visualizar/Abrir
Comparte:
Exporta:
Consulta las estadísticas

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons