Моделі семантичної сегментації в задачі пошуку нафтових плям на основі геопросторових даних

Скорочена інформація про документ
dc.contributor.advisorШелестов, Андрій Юрійович
dc.contributor.authorГригоренко, Євгеній Михайлович
dc.date.accessioned2024-09-24T07:22:38Z
dc.date.available2024-09-24T07:22:38Z
dc.date.issued2024
dc.description.abstractЦя робота є актуальною через зростаючу потребу виявлення нафтових плям у водах для моніторингу морського середовища та прийняття заходів щодо їх ліквідації. Сучасні методи семантичної сегментації зображень, засновані на супутникових даних, дозволяють значно підвищити ефективність виявлення та контролю забруднень. У роботі використовуються дані звітів про спостереження за забрудненням моря (MPSR) для створення датасету та супутникові знімки для аналізу та експериментів. Робота складається з декількох етапів, включаючи огляд літератури, підготовку датасету, імплементацію моделей сегментації та оцінку їх продуктивності. Для реалізації та навчання моделей було використано бібліотеку PyTorch Lightning. Особлива увага приділена порівнянню різних архітектур моделей та функцій втрат для семантичної сегментації нафтових плям. У ході численних експериментів оцінено точність моделей за метриками Intersection over Union (IoU) та F1-Score (Dice Score). Результати показали, що використання таких архітектур моделей як UNet++ та DeepLabV3+, забезпечує високу точність виявлення нафтових плям. Дослідження також виявило оптимальні параметри навчання для цих моделей, що може бути використано для подальшого моніторингу забруднень морського середовища. Таким чином, результати даного дослідження дозволяють визначити ефективні моделі та параметри для семантичної сегментації нафтових плям у водах на основі супутникових зображень, що сприяє покращенню методів моніторингу та охорони довкілля.
dc.description.abstractotherThis work is relevant due to the growing need for detecting oil spills in waters for marine environment monitoring and response measures. Modern methods of semantic image segmentation based on satellite data significantly enhance the effectiveness of pollution detection and control. The study uses data from Marine Pollution Surveillance Reports (MPSR) and satellite imagery for analysis and experiments. The research includes several stages, such as a literature review, dataset preparation, model implementation, and performance evaluation. The PyTorch Lightning library was used for model implementation and training. Special attention is paid to comparing different model architectures and loss functions for oil spill semantic segmentation. Extensive experiments were conducted to evaluate the accuracy of the models using metrics like Intersection over Union (IoU) and F1-Score (Dice Score). The results showed that using specific model architectures, such as UNet++ and DeepLabV3+, provides high accuracy in detecting oil spills. The study also identified optimal training parameters for these models, which can be used for further marine pollution monitoring. Thus, the findings of this research help identify effective models and parameters for semantic segmentation of oil spills in waters based on satellite imagery, contributing to improved environmental monitoring and protection methods.
dc.format.extent57 с.
dc.identifier.citationГригоренко, Є. М. Моделі семантичної сегментації в задачі пошуку нафтових плям на основі геопросторових даних : дипломна робота ... бакалавра : 113 Прикладна математика / Григоренко Євгеній Михайлович. - Київ, 2024. - 57 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/69200
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectСемантична сегментація
dc.subjectсупутникові дані
dc.subjectвиявлення нафтових плям
dc.subjectUNET++
dc.subjectDEEPLABV3+
dc.titleМоделі семантичної сегментації в задачі пошуку нафтових плям на основі геопросторових даних
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Hryhorenko_bakalavr.pdf
Розмір:
1.15 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММАД)
Бакалаврські роботи