Clasificación de imágenes espaciales mediante visión artificial

Romon Jacob, Isabel (2022). Clasificación de imágenes espaciales mediante visión artificial. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. de Sistemas Informáticos (UPM), Madrid.

Description

Title: Clasificación de imágenes espaciales mediante visión artificial
Author/s:
  • Romon Jacob, Isabel
Contributor/s:
  • Rodríguez Fernández, Víctor
Item Type: Final Project
Degree: Grado en Ingeniería del Software
Date: July 2022
Subjects:
Freetext Keywords: Aprendizaje profundo; Redes neuronales; Satélites
Faculty: E.T.S.I. de Sistemas Informáticos (UPM)
Department: Sistemas Informáticos
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (3MB)

Abstract

En los próximos 5 años se van a lanzar más de 12.000 satélites al espacio, lo que va a suponer un incremento exponencial del riesgo de colisión de los objetos espaciales. Por esta razón, se quiere animar a los investigadores a desarrollar soluciones innovadoras para dotar a los satélites de capacidad para reconocer y detectar de manera autónoma objetos espaciales. Este proyecto tiene como objetivo principal proponer un sistema de clasificación de imágenes de satélites en el espacio, utilizando un modelo de red neuronal artificial y otras técnicas de aprendizaje profundo. Para realizar este proyecto, se ha hecho uso de un conjunto de datos proporcionado por el challenge de SPARK de la Universidad de Luxemburgo para construir sistemas de clasificación de imágenes mediante aprendizaje profundo. Este conjunto de datos se compone de imágenes de 10 satélites diferentes y basura espacial o escombros. Con esta información, el estudio proporciona los resultados de cuales son los tipos de satélites que resultan más difíciles de clasificar. La contribución clave de este trabajo es presentar los resultados de construir modelos de redes neuronales convolucionales y así utilizar dichos resultados para construir el mejor clasificador para este conjunto de datos concreto. El mejor modelo obtenido ha sido una red neuronal de la familia EfficientNet con pesos preentrenados con un proceso de validación de diferente semilla que los datos de entrenamiento durante 10 iteraciones. En este documento se presentan los resultados de clasificación de imágenes de satélites y escombros espaciales. Se ha obtenido una exactitud en la clasificación del 93% y se determina que la clase más difícil de clasificar para esta arquitectura es la Cloudsat. Para concluir, el diseño propuesto ofrece un sistema para la clasificación y detección de objetos espaciales que ayudará en un futuro a los profesionales especializados en el espacio a evitar el riesgo de colisiones entre objetos espaciales. Abstract: In the next 5 years, more than 12,000 satellites will be launched into space, which will lead to an exponential increase in the risk of collision of space objects. For this reason, researchers are encouraged to develop innovative solutions for the recognition and detection of space objects. The main objective of this project is to propose a classification system for satellite images in space, using a convolutional neural network (CNN) model and other deep learning techniques. To conduct this project, I have used a dataset provided by the SPARK challenge of the University of Luxembourg to build image classification systems using deep learning. This dataset is composed of images from 10 different satellites and numerous debris. With this information, the study provides the results of which types of satellites are the most difficult to classify. The key contribution of this work is to present the results of building CNN network models and build the best classifier for this particular dataset. The end result has been a neural network model of the EfficientNet family with pre-trained weights and a validation process with different data than the training data for 10 iterations. In the following paper we present the classification results of satellite and debris images. The accuracy obtained in the classification process amounts to 93% and we concluded that the most difficult class to classify for this architecture is Cloudsat. Finally, the proposed design provides a system for classification and detection of space objects which will help space professionals in the future to avoid the risk of collisions.

More information

Item ID: 71155
DC Identifier: https://oa.upm.es/71155/
OAI Identifier: oai:oa.upm.es:71155
Deposited by: Biblioteca Universitaria Campus Sur
Deposited on: 13 Jul 2022 16:20
Last Modified: 15 Sep 2022 22:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM