شناسایی لکه‌های نفتی با ترکیب روش‌های یادگیری عمیق

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: شناسایی لکه‌های نفتی با ترکیب روش‌های یادگیری عمیق

ارائه دهنده: Provider: فاطمه عباسی - مهندسی عمران

اساتید راهنما: Supervisors: دکتر مرتضی حیدری‌‌‌مظفر

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر حسین ترابزاده خراسانی و دکتر حسن ختن لو

زمان و تاریخ ارائه: Time and date of presentation: ساعت 16 - 1404/12/13

مکان ارائه: Place of presentation: کلاس 43

چکیده: Abstract: آلودگی ناشی از لکه‌های نفتی از مهم‌ترین تهدیدات زیست‌محیطی برای اکوسیستم‌های دریایی به شمار می‌رود. این پژوهش با هدف شناسایی و قطعه‌بندی لکه‌های نفتی در تصاویر راداری Sentinel-1 با استفاده از روش‌های یادگیری عمیق انجام شده است. برای این منظور، مجموعه داده‌ای شامل ۱۰۰۲ تصویر SAR و ماسک‌های متناظر آن‌ها مورد استفاده قرار گرفت. تصاویر در پنج کلاس شامل دریا، خشکی، کشتی، مناطق مشابه و لکه نفتی برچسب‌گذاری شده‌اند. به‌منظور بهبود عملکرد مدل‌ها در مواجهه با داده‌های نامتوازن، از تابع زیان وزن‌دهی‌شده (Weighted Categorical Cross-Entropy) و تکنیک افزایش داده (Data Augmentation) استفاده شده است. در این مطالعه، پنج معماری یادگیری عمیق شامل U-Net، ResNet، DeepLabV3، PSPNet و SegNet پیاده‌سازی و مقایسه شدند. مدل‌ها با استفاده از ماژول توجه CBAM برای افزایش تمرکز بر نواحی کلیدی تصویر بهینه‌سازی شدند. ارزیابی عملکرد بر اساس معیارهای استانداردی همچون دقت (Accuracy)، ضریب دایس(Dice)، ضریب اشتراک بر اجماع (IoU)، Precision، Recall و F1-Score انجام گرفت. نتایج نشان داد مدل PSPNet با backbone مبتنی بر ResNet50 بالاترین عملکرد را در تمامی معیارها ارائه داده و با Dice (78/0) و IoU (64/0) بهترین تعادل میان دقت و حساسیت را دارا بود. مدل SegNet نیز با دقت زیاد و مصرف حافظه کمتر، گزینه‌ای مناسب برای کاربردهای سبک‌تر محسوب می‌شود. در مجموع، یافته‌ها نشان می‌دهند که ترکیب داده‌های SAR با مدل‌های پیشرفته‌ی یادگیری عمیق می‌تواند ابزاری دقیق و مقرون‌به‌صرفه برای پایش و تشخیص خودکار لکه‌های نفتی در محیط‌های دریایی فراهم آورد. با ترکیب مکانیسم توجه CBAM با شبکه‌های یادگیری عمیق می‌توان به دقت‌های مناسبی دست یافت. با مطالعه و بررسی دقیق ساختار این شبکه‌ها می‌توان مدلی بهینه و مناسب برای تشخیص و شناسایی لکه‌های نفتی ایجاد کرد. با توجه به آموزش سریع این شبکه‌ها، می‌توان به میزان بیشتری از آن‌ها را برای شناسایی لکه‌های نفتی استفاده کرد.