Mandjo Béa BoréAnalyste-développeur

La surveillance maritime est un défi critique pour la sécurité, le contrôle du trafic commercial, la pêche illégale et la protection de l'environnement. L'analyse manuelle des milliers d'images satellite produites quotidiennement est une tâche longue, coûteuse et sujette aux erreurs. Il y avait un besoin clair d'une méthode automatisée et fiable pour identifier et localiser avec précision les navires sur les images satellite de résolution moyenne.

L'ensemble de données publiques utilisé était le "Airbus Ship Detection Challenge" de Kaggle, comprenant des dizaines de milliers d'images satellite RGB de taille 768x768 pixels, avec des masques de segmentation au format Run-Length Encoding (RLE) indiquant la présence et la position des navires.

L'objectif principal était de développer un modèle de deep learning capable de détecter et de segmenter les navires dans les images satellite avec une grande précision. Cette tâche a été décomposée en plusieurs sous-objectifs :

• Compréhension des données : Analyser et visualiser l'ensemble de données pour comprendre la distribution des navires (nombre d'images avec/sans navires), la taille des objets et le format d'annotation.

• Préparation des données : Prétraiter les images et les masques pour les rendre compatibles avec un modèle de deep learning (redimensionnement, normalisation, décodage RLE).

• Ingénierie de la fonction de perte : Implémenter la fonction de perte Dice, particulièrement adaptée aux problèmes de segmentation où les objets (navires) sont petits par rapport à l'image entière, pour traiter le déséquilibre des classes.

• Construction et entraînement du modèle : Concevoir, construire et entraîner un réseau de neurones convolutif (CNN) basé sur une architecture U-Net pour la segmentation sémantique.

• Évaluation des performances : Évaluer le modèle sur un ensemble de test séparé en utilisant des métriques pertinentes comme le score Dice et l'Intersection sur Union (IoU).

Une méthodologie structurée a été mise en œuvre pour résoudre ce problème de détection de navires. Après avoir analysé et préparé les données — en les redimensionnant et en gérant le déséquilibre entre les images avec et sans navires — un modèle de deep learning spécialisé a été construit. L'architecture U-Net, combinée à un backbone VGG16 pré-entraîné, a été choisie pour sa capacité à segmenter précisément les objets dans les images. L'entraînement a été optimisé en utilisant une fonction de perte sur mesure (Dice Loss) et des techniques d'augmentation de données pour améliorer la robustesse du modèle.

Cette approche a abouti à un pipeline complet et fonctionnel capable de détecter et de localiser les navires dans de nouvelles images satellite avec une précision satisfaisante. Le modèle a démontré sa capacité à identifier de manière fiable la présence de navires et à délimiter leur forme, validant ainsi la faisabilité de cette solution automatisée. Le projet constitue une preuve de concept solide qui pourrait être intégrée dans des systèmes de surveillance maritime, offrant une alternative efficace à l'analyse manuelle fastidieuse.

Merci au professeur Ryan Ahmed pour ce projet guidé