Dissertação

{en_GB=Ultra-narrow Band Satellite Visual Monitoring of High-sea Fishing Vessels} {} EVALUATED

{pt=O sector das pescas desempenha um papel muito importante em todo o mundo. No entanto, a sobrepesca tem consequências extremamente nefastas, afectando o equilíbrio natural dos oceanos bem como o bem-estar social económico das sociedades costeiras que dependem do peixe para sobreviver. De maneira a promover a sustentabilidade da vida marinha, várias técnicas de monitorização têm sido empregues ao longo dos anos. De maneira a aumentar a eficácia destas técnicas, a possibilidade de instalar uma câmara a bordo do navio tem sido alvo de estudo, de forma a possibilitar a videovigilância a bordo dos navios. No entanto, o custo extraordinariamente elevado da comunicação via-satélite tem inviabilizado até agora a implementação de sistemas deste tipo. Neste contexto, esta Tese de Mestrado teve dois objectivos: o primeiro prendeu-se com o desenvolvimento de um sistema automático de actividades piscatórias com base no sucesso recente das tecnologias deep-learning, nomeadamente usando as designadas redes neuronais convolucionais para fazer classificação de vídeo. O segundo objectivo prendeu-se com a necessidade de comprimir fortemente as imagens a transmitir para reduzir os custos de transmissão, nomeadamente usando codecs sem custos de licenciamento. Para melhorar a qualidade da experiência final foi também criado um sistema de melhoramento de imagens a ser colocado no Centro de Controlo, possibilitando assim uma maior compressão das imagens nos navios e consequente redução de custos de transmissão. Este sistema, também baseado em deep-learning, usa uma rede neuronal convolucional que retira artefactos de compressão da imagem fortemente comprimida, melhorando substancialmente a qualidade final da imagem. , en=The fisheries sector plays a very important role throughout the world. However, overfishing, i.e. fishing more fish than can be reproduced, has extremely harmful consequences, affecting the natural balance of the oceans as well as the economic and social well-being of the coastal communities that depend on it for survival. In order to promote the sustainability of marine life, several monitoring techniques have been employed over the years. To increase the effectiveness of these techniques, the implementation of an on-board camera has been subject of study to enable video surveillance on board of fishing vessels. However, the extraordinarily high cost of satellite-based communications is a major barrier, seriously hindering the implementation of such systems. In this context, this MSc Thesis had two main objectives: the first concerned the development of an automatic system of fishing activities based on visual data. This system was based on the increasingly popular deep-learning networks, notably using the so-called Convolutional Neural Networks to provide video classification. The second objective was the efficient compression of the images to be satellite transmitted, notably using a royalty free codec. To increase the final user experience, an image enhancement system to be placed in the Control Center was also developed, to allow performing a lower rate based image compression at the vessels and consequently reducing the transmission costs. This system, also based on deep-learning, uses a Convolutional Neural Network to remove the compression artifacts from the highly compressed image, substantially improving the final image quality. }
{pt=processamento de imagem, monitorização de navios de pesca, compressão de imagem, deep-learning, redes neuronais convolucionais, melhoramento de imagem, en=image processing, Vessel Monitoring Systems, image compression, deep-learning, Convolution Neural Networks, image enhancement}

Junho 12, 2018, 11:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

João Miguel Duarte Ascenso

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar

ORIENTADOR

Fernando Manuel Bernardo Pereira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado