Hybrid Multi- Expert Deep Learning Framework for Operational SAR Maritime Surveillance and Dark Vessel Identification

Imagine o oceano como uma rodovia gigante e movimentada onde os navios são os carros. Durante décadas, rastreamos esses carros usando um sistema chamado AIS, que é como uma placa de licença digital que os navios transmitem voluntariamente para dizer: "Eu estou aqui!". Mas, assim como um motorista pode desligar os faróis para passar furtivamente por um pedágio, alguns navios desligam seus sinais de AIS para se esconderem. Esses são chamados de "navios escuros" (dark vessels), e eles podem ser usados para contrabando, pesca ilegal ou outros negócios obscuros. Para pegá-los, precisamos de olhos que consigam enxergar através da névoa, da chuva e da noite escura. Entre o Radar de Abertura Sintética, ou SAR. Pense no SAR como uma lanterna superpoderosa que não usa luz, mas usa feixes de micro-ondas invisíveis. Ele pode rebater nos navios e criar uma imagem mesmo quando há tempestades ou a lua está escondida. No entanto, olhar para essas imagens de radar é complicado. Elas são frequentemente granuladas, cheias de estática (como uma TV antiga) e confusas, especialmente perto de portos movimentados onde os navios estão amontoados como sardinhas. Cientistas tentaram usar computadores para encontrar esses navios, mas a maioria dos programas de computador é como generalista: eles são bons em detectar um navio no oceano aberto, mas ficam confusos em um porto movimentado ou em uma costa rochosa.

É aqui que um novo estudo realizado por pesquisadores da Universidade Amity entra em cena. Eles propõem um "Framework de Aprendizado Profundo Multi-Especialista Híbrido", que é uma forma sofisticada de dizer que eles construíram uma equipe de detetives de computador especializados em vez de depender de apenas um. Imagine uma delegacia onde você não envia todos os detetives para cada cena de crime. Em vez disso, você tem um despachante inteligente que olha para a cena primeiro. Se for um oceano calmo e aberto, o despachante envia o "Especialista A", um detetive rápido e eficiente. Se for uma costa agitada, ele envia o "Especialista B", que é um pouco mais cuidadoso. Se for um porto superlotado com navios sobrepostos uns aos outros, ele envia o "Especialista C", o mais avançado, com ferramentas especiais para desembaraçar a bagunça. Os pesquisadores testaram essa equipe usando imagens de satélite reais e descobriram que esse sistema de "despachante inteligente" funciona incrivelmente bem. Eles mostraram que, ao combinar o que o radar vê com as "placas de licença digitais" (AIS) que os navios de fato transmitem, eles podem detectar aqueles que estão tentando se esconder. Em um teste sobre o movimentado Estreito de Singapura, o sistema encontrou mais de 1.000 navios e identificou 96 deles como "navios escuros" que estavam tentando permanecer invisíveis.

O Problema com o Detetive "Tamanho Único"

Por muito tempo, cientistas tentaram usar um único programa de computador para encontrar navios em imagens de radar. É um pouco como tentar usar um único par de óculos para ler um livro, dirigir um carro e olhar para as estrelas ao mesmo tempo. Pode funcionar bem para uma coisa, mas não é ótimo para as outras. No oceano aberto, os navios estão distantes, então um detector simples e rápido funciona bem. Mas perto da costa, a água é agitada e o radar fica confuso com as ondas. Em um porto denso, os navios estão tão próximos que parecem um único bloco gigante. Métodos tradicionais, como a técnica de "Taxa de Falso Alarme Constante" (CFAR), frequentemente ficam sobrecarregados por esse ruído de fundo, disparando o alarme para cada onda e perdendo os navios reais.

Os pesquisadores argumentam que precisamos de um sistema que se adapte ao ambiente. Eles sugerem que, em vez de forçar um único modelo a fazer tudo, devemos deixar o computador decidir qual "especialista" usar com base no que ele vê.

O Despachante Inteligente: Roteando a Cena

O primeiro passo neste novo framework é o "Roteamento Inteligente de Cena". Pense nisso como o despachante na recepção. Quando uma nova imagem de radar chega, o sistema não começa a procurar navios imediatamente. Primeiro, ele usa uma versão modificada de uma rede neural chamada ResNet-50 para olhar para a imagem e perguntar: "Onde estamos?".

O sistema classifica a cena em três tipos:

1. Offshore (Mar Aberto): O mar aberto, onde é relativamente calmo e claro.
2. Inshore (Costa): A costa, onde a água é mais agitada e o fundo é mais desordenado.
3. Porto Denso: Um porto lotado onde os navios estão compactados.

Os pesquisadores treinaram este despachante para ser muito bom neste trabalho. Em seus testes, ele identificou corretamente o tipo de ambiente 98,8% das vezes. Isso é crucial porque garante que a ferramenta certa seja usada para o trabalho certo. Se o despachante enviar o especialista errado, o sistema pode perder um navio ou se confundir com uma onda.

A Equipe de Detetives Especializados

Uma vez que o despachante sabe a localização, ele entrega a imagem ao especialista específico projetado para aquele ambiente:

• Especialista A (Offshore): Para o oceano aberto, o sistema utiliza o YOLOv8n. Este é um modelo leve e rápido. Como o mar aberto é menos poluído, este especialista não precisa ser excessivamente complicado; ele só precisa ser rápido e preciso. Os pesquisadores descobriram que este especialista alcançou uma precisão de detecção (chamada de precisão média ou mAP) de 97%.
• Especialista B (Inshore): Para a costa, o sistema muda para o YOLOv8s, que é um pouco maior e mais cuidadoso. Ele também utiliza um truque especial chamado "filtragem adaptativa baseada em CFAR". Imagine isso como um detetive que ajusta sua sensibilidade com base no nível de ruído. Se as ondas estiverem altas, o detetive sabe ignorar as pequenas ondulações e focar nas formas grandes. Este especialista alcançou um mAP de cerca de 86%.
• Especialista C (Porto Denso): Este é o trabalho pesado. Em portos lotados, os navios se sobrepõem, tornando difícil separá-los. Este especialista utiliza uma combinação de SwinIR (uma ferramenta que limpa a imagem granulada do radar, tornando-a mais nítida) e Mask R-CNN (um modelo que consegue desenhar um contorno preciso ao redor de cada navio individual, mesmo que estejam se tocando). Este especialista foi tão bom em encontrar navios sobrepostos que alcançou um "recall" de quase 1,0, o que significa que encontrou quase todos os navios que estavam lá, perdendo muito pouco.

Pegando os Escondidos: A Fusão de Dados AIS

Encontrar os navios é apenas metade da batalha. O verdadeiro objetivo é encontrar os navios escuros — aqueles que estão se escondendo. Para fazer isso, o sistema utiliza um truque inteligente chamado "Fusão de Dados AIS".

Cada navio que segue as regras transmite sua localização via AIS. O sistema pega a lista de navios que encontrou com o radar e a compara com a lista de navios que estão transmitindo sua localização. Ele utiliza uma fórmula matemática (a distância de Haversine) para ver se um navio de radar está próximo o suficiente de um navio AIS para ser o mesmo. Eles estabeleceram uma regra: se um navio de radar estiver a menos de 500 metros de um navio AIS, eles são uma correspondência.

Se o radar vê um navio, mas não há sinal de AIS por perto, o sistema o marca como um Navio Escuro. É como ver um carro dirigindo sem faróis; você sabe que ele está lá, mas ele não está dizendo quem é.

Rastreando os Navios Misteriosos

Uma vez que um navio escuro é detectado, o sistema não faz apenas uma captura de tela; ele começa a rastrear. Ele utiliza um Filtro de Kalman, que é um método matemático para prever para onde algo irá a seguir com base em onde esteve. Pense nisso como um jogo de "batata quente" onde o sistema prevê a trajetória do navio. Se um navio subitamente mudar de direção ou parar de se mover de uma maneira estranha, o sistema pode detectar essa anomalia. Isso ajuda as autoridades a entender não apenas onde o navio está, mas o que ele pode estar fazendo.

Os Resultados: Colocando à Prova

Os pesquisadores não construíram isso apenas em uma simulação de computador; eles testaram com dados reais. Eles usaram imagens do satélite Sentinel-1 e dados do Estreito de Singapura, um dos corredores de navegação mais movimentados do mundo.

Aqui está o que eles encontraram:

• O sistema analisou 1.038 detecções de navios.
• Identificou 96 deles como navios escuros.
• Isso resultou em uma Taxa de Detecção de Navios Escuros (DVDR) de 9,24%.

Isso significa que, neste teste específico, cerca de 1 em cada 10 navios detectados pelo radar não estava transmitindo sua localização. Os pesquisadores observam que isso se alinha com estudos anteriores, sugerindo que uma parte significativa do tráfego marítimo está operando nas sombras.

Por Que Isso Importa

A principal conclusão deste artigo é que uma abordagem de "tamanho único" para encontrar navios não é suficiente. Ao criar um sistema que atua como uma equipe de especialistas — cada um com seus próprios superpoderes para diferentes ambientes — os pesquisadores construíram uma forma mais robusta e precisa de monitorar os mares.

O estudo sugere que este framework híbrido é um passo sólido para a vigilância marítima operacional. Ele vai além de simples simulações e mostra que pode funcionar com dados de satélite reais e informações de tráfego ao vivo. Embora o sistema não seja perfeito (nenhum sistema é), ele oferece uma maneira promissora de pegar os "navios escuros" que tentam passar despercebidos, ajudando a manter as rotas comerciais globais mais seguras e protegidas. Os pesquisadores planejam continuar melhorando o sistema, talvez combinando o radar com outros tipos de sensores no futuro, mas, por enquanto, eles mostraram que uma equipe inteligente de múltiplos especialistas é a melhor maneira de resolver o enigma do oceano oculto.