Detección automatizada de objetos en entornos marinos mediante visión termográfica y técnicas de deep learning

Abstract

En el ámbito marítimo, la detección temprana de objetos resulta fundamental para garantizar la seguridad marítima y apoyar las operaciones de vigilancia y defensa, especialmente en escenarios de baja visibilidad donde los sistemas ópticos tradicionales presentan limitaciones. El presente Trabajo Fin de Grado da continuidad a un estudio previo desarrollado en el CUD, centrado en la comparación entre cámaras termográficas y convencionales en condiciones climáticas adversas. Con el objetivo de avanzar en seguridad y defensa naval, este trabajo incorpora la automatización inteligente del proceso de detección de objetos de interés en entornos marítimos a partir de imágenes térmicas. Para ello, se han empleado dos modelos de Deep Learning basados en redes neuronales convolucionales, de características complementarias: YOLO, enfocado en la detección rápida de la ubicación de objetos, y Mask R-CNN, centrado en la delimitación precisa de los contornos. Los objetos se clasifican en función de su tamaño y distancia en cuatro categorías: grande-cerca, grande-lejos, pequeño-cerca y pequeño-lejos. Los resultados obtenidos demuestran la viabilidad del enfoque propuesto, destacando la robustez del modelo YOLO, con un porcentaje de acierto del 80,75% ± 9,95%. Este trabajo refuerza el potencial de la visión termográfica combinada con inteligencia artificial en entornos marítimos reales.