علوم و فنون نظامی

علوم و فنون نظامی

ارائه الگوریتم آشکارسازی انواع شناورها در منطقه خلیج‌فارس با استفاده از تصاویر راداری در جهت ارتقاء امنیت دریانوردی

نوع مقاله : مقاله پژوهشی

نویسندگان
علی حنفی 1
مهدی کیخائی 2
1 دانشیار گروه جغرافیا دانشکده علوم پایه، دانشگاه امام علی (ع)، تهران، ایران.
2 دکتری سنجش‌‌از‌‌دور و GIS، گروه جغرافیا دانشکده علوم پایه، دانشگاه امام علی (ع)، تهران، ایران.
10.22034/qjmst.2024.2005909.1904
چکیده
تشخیص وجود شناورها در نزدیکی ساحل و دور از آن یکی از مسائل مهمی است که کاربردهای زیادی در صنایع نظامی و غیر نظامی دارد. این کار برای راهبری ترافیک دریایی و امنیت ترافیک در دریا بسیار مورد مفید است. روش های سنتی تشخیص شناورها شامل استفاده از ناظر انسانی یا سیستم های ارسال کننده مشخصات در شناورها است. فنون نوین که داده‌های حاصل از منابع مختلف را ادغام می‌کنند، درحال‌توسعه هستند. در این پژوهش با استفاده از روش شبکه‌ی عصبی عمیق اقدام به بهینه کردن ترکیب کرنل‌ها (MKL) و درنهایت شناسایی کشتی‌ها در منطقه مورد مطالعه (خلیج‌فارس) شده است. بدین منظور از تصاویر راداری سنجنده سنتینل-1 و با استفاده از الگوریتم K-means، 365 نمونه آموزشی از دریا و کشتی‌ها در خلیج‌فارس در شرایط جوی مختلف تهیه‌شده است که 70 درصد از آن به‌عنوان داده آموزشی و 30 درصد به‌عنوان داده آزمون به شبکه معرفی‌گردید. نتایج شبکه معرفی‌شده نشان دهنده دقت 88 درصدی مدل در شناسایی و آشکارسازی شناورها در منطقه خلیج فارس براساس داده‌های آموزشی بود. درنهایت شبکه به‌منظور اعتبارسنجی در دو منطقه بندرعباس و بندرلنگه اجرا گردید نتایج حاصل از این پژوهش می-تواند به منظور حفاظت و امنیت کشتی‌ها در دریانوردی و کنترل عبور و مرور در آبراهه‌ها حائز اهمیت می‌باشد.
کلیدواژه‌ها
سنجش‌ازدور
تصاویر راداری
کرنل
آموزش عمیق
شناسایی کشتی

موضوعات

عنوان مقاله English

Presenting the detection algorithm of all types of vessels in the Persian Gulf region using radar images in order to improve the security of navigation

نویسندگان English

Ali Hanafi 1
Mehdi Keykhaee 2
1 Associate Professor, Department of Geography, Faculty of Basic Sciences, Imam Ali University, Tehran, Iran.
2 PhD in Remote Sensing and GIS, Department of Geography, Faculty of Basic Sciences, Imam Ali University, Tehran, Iran.
چکیده English

Detecting the presence of vessels near the coast and far from it is one of the important issues that has many applications in military and civilian industries. This work is very useful for maritime traffic management and traffic safety at sea. Traditional methods of detecting vessels include the use of human observers or systems that transmit characteristics on vessels. New techniques that integrate data from different sources are being developed. In this research, an attempt has been made to optimize the combination of kernels (MKL) by using deep neural network for the first time and finally identify the ship in the Persian Gulf. In this research, Sentinel-1 radar sensor images were used, and finally, using K-means algorithm, 365 training samples of the sea and ships in the Persian Gulf were prepared in different weather conditions. 70% of it is introduced to the network as training data and 30% as test data. In this article, using RBF kernels and polynomials of the first, second and third degrees, features are extracted, and then using a deep neural network, the output of the kernels is combined and high-level features are extracted. The results of the introduced network showed 88% accuracy of the model in identifying and detecting vessels in the Persian Gulf region based on training data. Finally, the network was implemented for validation purposes in Bandar Abbas and Bandar Lange regions and acceptable results were obtained.

کلیدواژه‌ها English

remote sensing
radar images
kernel
deep learning
ship identification
  • حنفی، علی؛ لطفی، احمد. (1395). ارائه مدل گسترش سامانه‌های متحرک موشکی در جنگ‌های آینده با استفاده از نظریه بازی و GIS مطالعه موردی: منطقه کرمانشاه. آینده‌پژوهی دفاعی. 1 (2)، 67-92.
  • کیخایی، مهدی، رفیع زاده ملکشاه، ارسلان، بیرانوند، نادر. (1400). طراحی سامانه Web-GIS مبتنی بر مسیریابی بهینه بین نقاط مختلف صحنه نبرد به‌منظور مدیریت و طرح‌ریزی صحیح عملیات‌های نظامی آینده. آینده‌پژوهی دفاعی، 6(22)، 69-94.

. doi: 10. 22034/dfsr. 2021. 532116. 1503

  • کیخایی، مهدی. بیرانوند، نادر و ممانی، رویین (1399). ارائه روشی در زمینه آشکارسازی اهداف در تصاویر ماهواره‌ای با استفاده از یادگیری عمیق و با رویکرد سنجش‌ازدور و GIS، فصلنامه جغرافیایی سرزمین، 18(69): 60-44.

سلیمانی، آرزو. عسگری، محمد. دادالهی، سهراب. علمی زاده، علی.  خزاعی، هیوا. (1395). بررسی تأثیر ریزگردها بر تولید اولیه در خلیج‌فارس با استفاده از داده‌های سنجش‌ازدور، نشریه محیط‌زیست طبیعی. 3(69): 728- 715.

نقوی, احد, مختازاده, ناصر,؛ مقدس, مسعود. (1401). الگوی فرماندهی و کنترل یکپارچه هوشمند با رویکرد تحلیل داده حسگری.  دوفصلنامه بازی جنگ, 5(11), 107-123. doi: 10. 22034/ijwg. 2023. 171248

  • An, W. , Xie, C. , & yuan, X. (2013). An improved iterative censoring scheme for CFAR ship detection with SAR imagery. IEEE transactions on geoscience and remote sensing, 52(8), 4585-4595
  • Marino, M. J. Sanjuan-Ferrer, I. Hajnsek, and K. Ouchi, "Ship detectors exploiting spectral analysis of SAR images," in 2014 IEEE Geoscience and Remote Sensing. Symposium, 2014: IEEE, pp. 978-981.
  • Bengio, Y. , (2009). Learning deep architectures for ai, Foundations and trends in Machine Learning.
  • Brusch, S. , Lehner, S. , Fritz, T. , Soccorsi, M. , Soloviev, A. , & van Schie, B. (2010). Ship surveillance with TerraSAR-X. IEEE transactions on geoscience and remote sensing, 49(3), 1092-1103.
  • Crisp, D. J. (2004). The state-of-the-art in ship detection in synthetic aperture radar imagery. Retrieved from.
  • Emery, K. O. (1956). Sediments and water of Persian Gulf. AAPG Bulletin, 40(10), 2354-2383.
  • Hu, G. -S. Xia, J. Hu, L. Zhang, Transferring deep convolutional neural networks for the scene classication of high-resolution remote sensing imagery, Remote Sensing,7(11) (2015) 1468014707.
  • Camps-Valls, L. Gomez-Chova, J. Muñoz-Marí, J. Vila-Francés, and J. Calpe-Maravilla, "Composite kernels for hyperspectral image classification," IEEE Geoscience and Remote Sensing Letters, vol. 3, pp. 93-97, 2006.
  • Guida, and P. Whittaker, "A novel ship-detection technique for. P. Iervolino, R Sentinel-1 SAR data," in 2015 IEEE 5th Asia-Pacific Conference on Synthetic Aperture Radar (APSAR), 2015: IEEE, pp. 797-801.
  • Gönen, M. , Alpaydın, E. , (2011). Multiple kernel learning algorithms. Journal of Machine Learning Research, 12(3), 2211-2268, 2011.
  • Camps-Valls, L. Gómez-Chova, J. Muñoz-Marí, J. L. Rojo-Álvarez, and M. Martínez-Ramón, "Kernel-based framework for multitemporal and multisource remote sensing data classification and change detection," IEEE Transactions on Geoscience and Remote Sensing, vol. 46, pp. 1822-1835, 2008.
  • Iervolino, P. , Guida, R. , & Whittaker, P. (2015). A novel ship-detection technique for Sentinel-1 SAR data. Paper presented at the 2015 IEEE 5th Asia-Pacific Conference on Synthetic Aperture Radar (APSAR).
  • A. Belanche Muñoz and M. Ruiz Costa-Jussà, "Bridging deep and kernel Artificial Neural methods," in Proceedings of the 25thEuropean Symposium on Networks, Bruges, Belgium, 2017, pp. 1-10.
  • Mather, P. , & Tso, B. (2016). Classification methods for remotely sensed data. Journal of Machine Learning Research, 12(3), 2211-2268, 2011.
  • Niyazmardi, S. , Homayouni, S. , Safari, A. , Shang, J. , Heather, M. , (2017). Multiple kernel representation and classification of multivariate satellite-image time-series for crop mapping. International Journal of Remote Sensing, 39(3), 1092-1103. https: //doi. org/10. 1080/01431161. 2017. 1381351.
  • https: //sentinels. copernicus. eu/
  • Song, H. , Thiagarajan, J. J. , Sattigeri, P. , & Spanias, A. (2018). Optimizing kernel machines using deep learning. IEEE transactions on neural networks and learning systems, 29(11), 5528-5540.
  • Souyris, J. -C. , Henry, C. , & Adragna, F. (2003). On the use of complex SAR image spectral analysis for target detection: Assessment of polarimetry. IEEE transactions on geoscience and remote sensing, 41(12), 2725-2734.
  • Wang, L. Zhang, and W. Hu, "Bridging deep and multiple kernel learning: A review," Information Fusion, 2020.
  • Gu, C. Wang, D. You, Y. Zhang, S. Wang, and Y. Zhang, "Representative multiple kernel learning for classification in hyperspectral imagery," IEEE Transactions on Geoscience and Remote Sensing, vol. 50, pp. 2852-2865, 2012.
  • Zhang, J. and Marszalek, M. and Lazebnik, S. and Schmid, C (2007). Local features and kernels for classification of texture and object categories. A comprehensive study International Journal of Computer Vision, 29(11), 5528-5540.
علوم و فنون نظامی
دوره 20، شماره 68
تابستان 1403
صفحه 203-226