Detección de bio-incrustaciones en cascos de barcos mediante redes convolucionales

Abstract

[spa] Debido al gran impacto, en costes de combustible y velocidad de los barcos, que tienen las bio-incrustaciones que se adhieren al casco de los barcos, se debe monitorizar el estado del casco para realizar la limpieza del mismo antes de que los efectos de las bio-incrustaciones sean significativos. Para intentar detectar el nivel de bio-incrustaciones en los cascos de los barcos se han extraído fotogramas de diversos vídeos para crear un dataset con 486 imágenes y sus máscaras de referencia con información de la clase de cada píxel de cada imagen. Las clases que se consideran en este dataset son micro-incrustaciones (film de color verde), macro-incrustaciones (algas que llegan a causar protuberancias u organismos como percebes, moluscos, mejillones cebra, etc.) y la clase sin incrustaciones. Se han realizado pruebas de detección y localización de bio-incrustaciones con dos redes neuronales convolucionales (CNN), una orientada a clasificación de imágenes (basada en LeNet-5) y otra para segmentación semántica de las imágenes (basada en U-Net). En el caso de clasificación de imágenes, que se ha realizado en fragmentos de 32×32 píxeles, se ha conseguido una exactitud (accuracy) del 87.52 % y un factor f1 (f1 score) del 84.44 %. En el caso de la segmentación semántica (a nivel de píxel) se ha conseguido una exactitud del 79.77 % y un factor f1 del 82.21 %. La inferencia de una imagen toma 0.073 segundos para el caso de clasificación de la imagen y 0.0044 segundos para el caso de segmentación semántica.

[eng] Due to the great impact that biofouling adhered to the hull of ships has on the fuel costs and speed of ships, the condition of the hull must be monitored to clean the hull before the effects of biofouling are too high. To try detecting the level of biofouling on the ships’ hull, frames have been extracted from various videos to create a dataset with 486 images and their masks with ground truth information of the class of each pixel in the image. The classes considered in this dataset are microfouling (green film), macro-fouling (algae that causes bumps or organisms such as barnacles, mollusks, zebra mussels, etc.) and the no-biofouling class. Biofouling detection and localization tests have been performed with two convolutional neural networks (CNN), one for image classification (based on LeNet-5) and the other one for semantic segmentation (based on U-Net). In the image classification approach, which has been carried out in image patches of 32×32 pixels, the accuracy obtained was 87.52 % and the f1 score was 84.44 %. In the case of semantic segmentation (at pixel level) the accuracy obtained was 79.77 % and the f1 score was 82.21 %. The inference of an image takes 0.073 seconds for the image classification case and 0.0044 seconds for the semantic segmentation case.