Scheepvaartnieuws: nieuwe algoritmen volgen schepen in havens

Het lijkt eenvoudig, een schip herkennen op een computerbeeld. Maar PhD-student Amir Ghahremani weet ondertussen dat niets is wat het lijkt. “Schepen hebben verschillende vormen, varen met verschillende snelheden en zijn als ze ver weg zijn slechts een paar vage pixels. Zie daar maar eens een boot in te herkennen. Bovendien maken het water en de weersomstandigheden het vaak extra lastig. Schijnt de zon, dan heb je last van reflectie, en ook bij mist of zware regen is de beeldkwaliteit veel minder. Een heel dynamische omgeving dus.”

Giethoornse punter

Binnen het internationale project Applying Plug & Play Surveillance (APPS) werkte Ghahremani met diverse universiteiten, instituten en industriële partners wereldwijd aan innovatieve algoritmes om geautomatiseerde maritieme monitoringssystemen te verbeteren. Daarbij gaat het niet alleen om de veiligheid in havens, maar ook van zeegebieden en drukbevaren rivieren en kanalen.

Er moest een robuust systeem komen, die raad weet met sterk variërende omstandigheden. Beeldmateriaal om algoritmes op te testen was er echter niet, en daarom ging Gharemani eerst zelf een maand op pad om foto’s te schieten. Van schepen in de haven van Amsterdam, het havengebied van Rotterdam, boten in Turkse havens, en zijn persoonlijke favoriet: Giethoorn. Ook daar wordt veel gevaren.

Dan wel niet met containerschepen, maar is het zeker in het hoogseizoen druk met toeristische pleziervaartuigen; ook Ghahremani belandde uiteindelijk in een traditionele punter. Met resultaat, geeft hij lachend toe. Want zo leerde de geboren Iraniër met een voorliefde voor bergen ook het waterrijke, platte Nederland te waarderen en heeft hij sinds kort zelfs een Nederlands paspoort op zak.

Dynamisch gedrag

Op zijn foto’s zijn de verschillende uitdagingen binnen het maritiem domein goed te zien, legt Ghahremani uit aan de hand van voorbeelden. “Schepen kunnen in allerlei variaties en groottes voorkomen, en bewegen in verschillende richtingen. Vaak is het gebied waar toezicht op gehouden moet worden heel groot, en kunnen schepen dus ver van een camera verwijderd zijn. En als laatste hebben we te maken met wisselende weersomstandigheden en water dat een dynamisch gedrag laat zien.”

Ghahremani toont een plaatje van een schip te midden van een schitterende zee, een fel schijnende zon erboven. “Als je je ogen moet dichtknijpen door de zon, is het ook veel lastiger kijken.”

Hij ontwikkelde algoritmes om schepen te herkennen en merkte dat de herkenning sterk verbeterde als duidelijk was waar zich water in het beeld bevond. “Door het watergebied in een beeld af te bakenen, kun je vervolgens hier op inzoomen. Een auto die langs de kustlijn rijdt wordt dan niet meer als schip benoemd.”

Vervolgens ging Ghahremani aan de slag om een zogenoemd neuraal netwerk op te zetten aan de hand van zijn beeldmateriaal. Met Deep Learning-technieken trainde hij het systeem om de nieuwe algoritmes steeds beter te laten worden in het herkennen van schepen. En dat werkte. Eerst met bekende beelden, aan het einde van zijn project ook met nieuw beeldmateriaal, waarin de vaartuigdetectie steeds nauwkeuriger werd.

Veilige haven

Zijn zelflerende algoritmes blijken bovendien niet alleen de schip-herkenning te verbeteren, ze zijn ook bruikbaar voor heridentificatie - re-ID - van schepen op niet overlappende camera’s. “Zeker in de grotere maritieme gebieden kan het zijn dan een schip pas tien kilometer later weer opnieuw in beeld verschijnt. Dankzij het slimme neurale netwerk is de kans op re-ID veel groter. Deze aanpak is nieuw, en veelbelovend. En door het netwerk te blijven verbeteren en trainen, kan het gedrag van schepen steeds beter worden ingeschat en worden de havens en andere maritieme gebieden zo steeds veiliger.”

Titel van PhD thesis: “Automated video analysis for maritime surveillance”. Promotors: Peter de With en Egor Bondarau.

Bron: Cursor.