20.500.12556/RUL-170836 Detekcija plovil na satelitskih slikah z metodami računalniškega vida Vessel Detection in Satellite Images Using Computer Vision V diplomskem delu preučujem detekcijo ladij na satelitskih posnetkih s konvolucijskimi nevronskimi mrežami (CNN). Cilj je razviti sistem računalniškega vida, ki na podlagi optičnih satelitskih slik samodejno prešteje zasidrane ladje ter lastnikom plovil prikaže zasedenost divjih zalivov. Najprej sem sestavil tridelen podatkovni nabor (dataset) iz zbirk Planet Explorer, xView in MASATI. Prvi izmednjih je sestavljen iz 1000 posnetkov konstelacije PlanetScope, ročno označenih v okolju Label Studio (cca. 7 000 omejitvenih okvirov – bounding box). Model YOLOv11x sem prilagodil majhnim objektom: zamrznil začetne konvolucijske sloje, omilil mozaik in skaliranje ter sem naučil štiri različice – tri enonaborne in eno kombinirano. Rezultati kažejo, da je ladje mogoče stroškovno učinkovito zaznati že pri ločljivosti 10 m/slikovni element, če so objekti dovolj kontrastni. Za nadaljnji razvoj predlagam vključitev radarskih (SAR) posnetkov za odpornost na oblačnost, združevanje večih modelov ter dopolnitev zbirke z visokoločljivostnimi optičnimi slikami. S tem bi sistem postal zanesljiv pripomoček za sprotno spremljanje zasedenosti sidrišč in širše pomorsko nadzorstvo. In this thesis I investigate ship detection in satellite imagery using convolutional neural networks (CNNs). The goal is to develop a computer-vision system that automatically counts anchored vessels in optical satellite images and displays the occupancy of remote coves to boat owners. I first compiled a three-part dataset from the Planet Explorer, xView and MASATI collections. The Planet Explorer subset contains 1 000 high-frequency scenes from the PlanetScope constellation, manually annotated in Label Studio with approximately 7 000 bounding boxes. I adapted the YOLOv11x model for small objects by freezing the initial convolutional layers, reducing mosaic augmentation and scaling, and training four variants—three single-source and one combined. The results show that ships can be detected cost-effectively at a spatial resolution of 10 m/pixel, provided the objects exhibit sufficient contrast. For future work I propose incorporating synthetic-aperture radar (SAR) imagery to improve cloud robustness, ensembling multiple models, and expanding the dataset with high-resolution optical scenes. Together, these enhancements would turn the system into a reliable tool for real-time anchorage monitoring and broader maritime surveillance. detekcija ladij satelitske slike YOLOv11 konvolucijske nevronske mreže globoko učenje ship detection satellite imagery YOLOv11 convolutional neural network deep learning true false false Slovenski jezik Angleški jezik Diplomsko delo 2025-07-17 13:25:09 2025-07-17 13:25:18 2025-08-04 17:03:17 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 63075 244788739 Azinovic_Gasper_-_Detekcija_plovil_na_satelitskih_slikah_z_metodami_racunalniskega_vida.pdf Azinovic_Gasper_-_Detekcija_plovil_na_satelitskih_slikah_z_metodami_racunalniskega_vida.pdf 1 E1E2A529DFB8F64A88D90EE501E3A4A5 b09e4bf97201fea9f95c54d974816edd942de38763541dd7598846269a442814 c882dac6-62fe-11f0-b232-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=213094 Fakulteta za elektrotehniko 0 0 0