Blog
November 5, 2018
All
Ciklum Nachrichten
KI und Industrie 4.0

Wie Ciklums F&E-Team einen Bildklassifizierungsalgorithmus entwickelte, um bedrohliche Eisberge zu erkennen

Wie Ciklums F&E-Team einen Bildklassifizierungsalgorithmus entwickelte, um bedrohliche Eisberge zu erkennen

Igor Krashenyi und Oleg Panichev, leitende Forschungsingenieure bei Ciklum F&E, haben sich zusammen getan, um an einem Wettbewerb auf der Data-Science-Plattform Kaggle teilzunehmen. Lesen Sie im folgenden Beitrag, wie das Team die Aufgabenstellung anging und einen hochgenauen KI-Algorithmus entwickelte.


Treibende Eisberge sind gefährlich für Bohrplattformen und Pipelines vor der Ostküste Kanadas. Unternehmen minimieren das Risiko durch die Verwendung von Satellitenbildern, um diese zu erkennen, aber es kann schwierig sein, die Eisenberge von Schiffen zu unterscheiden.

Statoil ist ein internationales Energieunternehmen, das mit C-CORE eine Partnerschaft eingegangen ist, die seit über 30 Jahren Satellitendaten nutzt, um ein computergestütztes Eisbergüberwachungssystem aufzubauen. Um den Betrieb sicher und effizient zu halten, setzt Statoil darauf, Eisberge frühzeitig zu identifizieren, damit Partnerunternehmen diese aus dem Weg räumen oder ihre Ausrüstung bewegen können.

C-CORE und Statoil waren auf der Suche nach besseren Möglichkeiten, um Eisberge zu orten, bevor diese in die Nähe von Öl- und Gasinfrastrukturen treiben, und mussten das Problem aus einer anderen Perspektive angehen. Gemeinsam riefen die Unternehmen einen Kaggle-Wettbewerb ins Leben, in dem die Teilnehmer ein Programm zur Erkennung von Eisbergen auf Satellitenbildern entwickeln sollten.

Die Herausforderung

Entwickeln Sie einen Algorithmus, der automatisch ermittelt, ob es sich bei einem aus der Ferne erkannten Ziel um einen Eisberg handelt oder nicht. Der Algorithmus musste extrem genau sein, da Leben und Milliarden von Dollar in der Energie-Infrastruktur davon abhängen.

Dauer: 2 Monate

Bildquelle: C-CORE

Es ist für das menschliche Auge nicht immer einfach, Eisberge von Schiffen zu unterscheiden. Alle Bilder der Wettbewerbsdaten wurden von einem Sentinel-1-Satelliten, aus einer Höhe von 600 Kilometern über der Erde aufgenommen. Die Daten waren sehr spezifisch und die Wettbewerbsorganisatoren gaben für jedes Bild den Einfallswinkel an.

Im Rahmen des Kaggle-Wettbewerbs wurden die Teilnehmer aufgerufen, verschiedene Arten von Satellitenbildern zu betrachten, die Eisberge, Schiffe und andere Ziele enthielten, und zu bestimmen, worum es sich jeweils handelt. Bildquelle: kaggle.com

Um ein Modell zu entwickeln, verwendete das F&E Team von Ciklum mehrere Ensemble-Deep-Learning-Modelle. Ensemble-Techniken nutzen zwei oder mehrere Lernalgorithmen, um eine bessere Vorhersageleistung zu erzielen, als dies durch einen einzelnen Lernalgorithmus möglich wäre. Die Ausgabe eines solchen Systems ist besser und präziser als die Ausgabe einer separaten Methode.

Das endgültige Modell umfasste 40 Modelle. Jedes wurde nach dem Abstimmungsprinzip auf Grundlage von 5 Untermodellen im Voraus bestimmt:

Um die endgültige Vorhersage zu machen, durchlaufen alle Datensätze jedes der 40 Modelle.

Das Endergebnis wurde anhand einer logarithmischen Verlustmetrik bewertet. Diese Metrik misst die Genauigkeit des Modells, bei dem die Vorhersageeingabe einen Wahrscheinlichkeitswert zwischen 0 und 1 hat. Das Ziel unserer Machine-Learning-Modelle ist es, diesen Wert zu minimieren. Ein perfektes Modell hätte einen logarithmischen Verlust von 0.

Das System, das von Ciklums F&E-Team entwickelt wurde, definierte den Eisberg mit einem logarithmischen Verlust von 0,1310.

Um mehr darüber zu erfahren, wie Ihr Unternehmen Deep-Learning einsetzen und eigene KI-Projekte realisieren kann, sehen Sie sich die von uns umgesetzten Deep-Learning-Projekte an, von denen die Unternehmen unserer Kunden profitieren.

Lesen Sie auch: 

Deep Learning To Improve The Accuracy Of Predictions: 3 Project Stories

Senior Ciklum Research Engineer Wins Gold Medal at Kaggle Competition

Highlights From ICML 2018: What Will Drive Machine Learning Development?