深度学习图像分类模块在 MUN-ABSAI 冰风险管理架构中的性能评估
Ravindu G Thalagala1, Oscar De Silva1, Dan Oldford2
1Faculty of Engineering and Applied Science, Memorial University of Newfoundland (MUN), St. John's, NL A1B 3X5, Canada.
Sensors (Basel, Switzerland)
|January 25, 2025
概括
北极海冰的退却开辟了新的航线,但也带来了航行风险. 使用YOLOv8n-cls的深度学习系统有效地对冰的状况进行分类,使得北极海上航行更加安全.
科学领域:
- 海上航行 海上航行
- 人工智能的人工智能
- 气候变化影响 气候变化影响
背景情况:
- 北极海冰的减少正在创造新的航道.
- 这些路线由于冰的状况而带来了重大航行危险.
- 先进的风险管理系统对于安全的北极海上运营至关重要.
研究的目的:
- 提出基于深度学习的北极冰风险管理架构.
- 开发和评估用于冰的分类,风险评估,冰跟踪和冰负载计算的模块.
- 评估YOLOv8n-cls模型在船上冰的分类中的效率.
主要方法:
- 开发了一个深度学习架构,用于冰风险管理的专门模块.
- 创建了一个数据集,包含来自公共来源和加拿大海岸警卫队的15,000张冰图像.
- 在Roboflow,Google Colab和加拿大计算平台上评估YOLOv8n-cls模型用于冰的分类,培训和测试.
主要成果:
- 图像分类模块I实现了99.4%的验证准确度;模块II实现了98.6%的验证准确度.
- 在Google Colab上,推断时间不到1秒,在独立系统上不到3秒.
- 该系统在实时监测冰状况方面表现出高效率.
结论:
- 拟议的深度学习架构有效地管理北极冰风险.
- YOLOv8n-cls模型适合在北极地区的资源有限的车载系统.
- 该系统提高了北极水域海上航行的安全性和效率.
