Reconocimiento e identificación de embarcaciones en entornos marítimo-portuarios.

Abstract

La detección e identificación de embarcaciones desempeñan un papel crucial para garantizar la seguridad en entornos de playa, costa y litoral, y especialmente en zonas portuarias. Esta tarea es fundamental para proteger tanto los intereses económicos como la integridad de las operaciones en estos espacios estratégicos. En el ámbito marítimo, particularmente en puertos con alta actividad turística y pesquera, la capacidad de identificar de manera precisa embarcaciones a través de información clave, como matrículas, nombres o nacionalidades, es de vital importancia. Sin embargo, las condiciones desfavorables, como la distancia entre las cámaras de videovigilancia y las embarcaciones, representan un desafío técnico significativo. El desarrollo de tecnologías que permitan superar estas limitaciones no solo incrementará la seguridad en los entornos marítimos, sino que también optimizará procesos actualmente manuales, aportando mayor eficiencia al sector. Automatizar la recopilación de datos relevantes permitirá agilizar las operaciones y reforzar la capacidad de respuesta ante posibles riesgos o incidentes, consolidando así un entorno más seguro y controlado. En este Trabajo Fin de Título (TFT), queremos desarrollar un prototipo funcional de un sistema capaz de identificar y reconocer caracteres automáticamente en entornos portuarios, utilizando cámaras PTZ (Pan-Tilt-Zoom) instaladas en dichos espacios. El objetivo principal es abordar los desafíos asociados a la identificación precisa en condiciones reales, como la distancia y las condiciones lumínicas variables. Para ello, se llevó a cabo un análisis exhaustivo de bibliotecas y modelos especializados en aprendizaje profundo, así como en técnicas avanzadas de detección y reconocimiento óptico de caracteres (OCR). Esta fase incluyó una evaluación comparativa de diversos modelos, mediante pruebas específicas que permitieron analizar su rendimiento en términos de precisión, velocidad de procesamiento y consumo de recursos computacionales. Dichos resultados facilitaron la selección de los modelos más adecuados para el sistema. A continuación, se procedió al entrenamiento y desarrollo del modelo seleccionado, utilizando un conjunto de datos representativo del entorno portuario. Finalmente, se elaboraron las conclusiones basadas en los resultados obtenidos, que no solo validan el desempeño del sistema, sino que también sientan las bases para futuras mejoras. Estas mejoras incluirán la integración de nuevos conocimientos adquiridos durante el desarrollo, con el fin de optimizar el prototipo y garantizar su escalabilidad y robustez en aplicaciones reales.

The detection and identification of vessels play a crucial role in ensuring safety in beach, coastal, and shoreline environments, particularly in port areas. This task is fundamental for protecting both the economic interests and operational integrity of these strategic spaces. In the maritime domain, especially in ports with high levels of tourism and fishing activity, the ability to accurately identify vessels through key information such as registration numbers, names, or nationalities is of paramount importance. However, unfavorable conditions, such as the distance between surveillance cameras and the vessels, present significant technical challenges. The development of technologies capable of overcoming these limitations will not only enhance safety in maritime environments but also optimize processes currently performed manually. Automating the collection of relevant data will streamline operations and strengthen the capacity to respond to potential risks or incidents, thereby fostering a more secure and controlled environment. In this Bachelor’s Thesis (TFT), our purpose is to develop a functional prototype system capable of automatically identifying and recognizing characters in port environments, utilizing PTZ (Pan-Tilt-Zoom) cameras installed in these areas. The main objective is to address the challenges associated with accurate identification under real-world conditions, such as distance and variable lighting. To achieve this, an exhaustive analysis was conducted on libraries and models specialized in deep learning and advanced optical character recognition (OCR) techniques. This phase included a comparative evaluation of various models through specific tests designed to assess their performance in terms of accuracy, processing speed, and computational resource consumption. These results facilitated the selection of the most suitable models for the system. Next, the selected model was trained using a dataset representative of port environments. Finally, conclusions were drawn based on the obtained results, which not only validate the system’s performance but also lay the groundwork for future enhancements. These improvements will include the integration of new knowledge acquired during development to optimize the prototype and ensure its scalability and robustness in real-world applications.