Ferreira, Luis Miguel Moreira LinoTEIXEIRA, HENRIQUE MANUEL DE ALMEIDA E SILVA DOS SANTOS2025-12-172025-12-172025-10-24http://hdl.handle.net/10400.22/31232This thesis introduces an AI-powered tool that improves the analysis of sailing performance by automatically detecting thin, high-visibility stripes on sails. It uses computer vision and deep learning to extract key aerodynamic parameters, such as camber, draft, and twist. These parameters are essential for understanding sail shape and enhancing performance. The motivation lies in reducing reliance on traditional manual estimation methods while ensuring efficient onboard processing with lightweight devices like a GoPro camera connected to a tablet. The research starts with a review of current computer vision and AIbased image processing techniques. It also includes a sailing-specific look at the structural and aerodynamic features of sails. Several AI methods - Feature Extraction, Line Detection, Object Detection and Recognition, and Image Segmentation - are compared in this context. The analysis finds that semantic segmentation is the best technique for the goals of this thesis. A further comparison of semantic segmentation models - SegFormer, DeepLab, SAM, and Fast-SCNN - evaluated their accuracy, efficiency, and use for real-time deployment. This review shows that SegFormer is the most effective method for detecting lines in highresolution images of a sailboat's sail. The evaluation carried out in this thesis compares a traditional algorithm, developed in a previous thesis and reused here as a baseline, with an AI-based approach that uses the SegFormer model. This implementation relies on the SegFormer mit-b1 backbone, chosen for its balance between accuracy and efficiency. Mitb2 and mit-b3 were also tested for segmentation quality and processing time comparisons. The evaluation used a dataset of 23 videos and measured how well both methods could reliably detect lines for extracting aerodynamic parameters. The results show a clear tradeoff. The traditional method consistently produced faster processing times because it relies on lightweight operations optimised for CPU use. In contrast, the SegFormer model offered more accurate and reliable line segmentation but required more computational power. Among the tested backbones, SegFormer mit-b1 was the best choice, as mit-b2 and mit-b3 resulted in significantly longer processing times without substantial improvements in segmentation accuracy. In conclusion, the traditional algorithm is still beneficial when speed and limited resources are critical. However, the AI-based approach, especially with SegFormer mit-b1, stands out as a reliable and precise option when more computational resources are available. This work illustrates the potential to integrate AI-driven computer vision into sailing performance analysis, aiding in the accurate and automated extraction of aerodynamic parameters to enhance decision-making and performance improvement in sailing.Esta dissertação apresenta uma ferramenta suportada por inteligência artificial que melhora a análise do desempenho na vela através da deteção automática de riscas finas nas velas de veleiros. O sistema recorre a técnicas de visão por computador e Deep Learning para extrair parâmetros aerodinâmicos essenciais, como o camber, o draft e o twist. Estes parâmetros são fundamentais para compreender a forma da vela e otimizar o seu desempenho. A motivação do trabalho reside na redução da dependência de métodos tradicionais de estimativa manual, assegurando simultaneamente um processamento eficiente a bordo com dispositivos leves, como uma câmara GoPro ligada a um tablet. A investigação inicia-se com uma revisão das técnicas atuais de visão por computador e processamento de imagem baseadas em IA, incluindo ainda uma análise específica das características estruturais e aerodinâmicas das velas. Neste contexto, são comparados vários métodos de IA — extração de características, deteção de linhas, deteção e reconhecimento de objetos e segmentação de imagem. A análise conclui que a segmentação semântica é a técnica mais adequada para os objetivos desta tese. Posteriormente, é realizada uma comparação entre diferentes modelos de segmentação semântica — SegFormer, DeepLab, SAM e Fast-SCNN — avaliando a sua precisão, eficiência e aplicabilidade em contextos de utilização em tempo real. Esta revisão mostra que o SegFormer é o método mais eficaz para a deteção de linhas em imagens de alta resolução das velas de um veleiro. A avaliação experimental realizada nesta dissertação compara um algoritmo tradicional, desenvolvido numa dissertação anterior e reutilizado aqui como linha de base, com uma abordagem baseada em IA suportada pelo modelo SegFormer. A implementação recorre ao backbone SegFormer MiT-b1, escolhido pelo equilíbrio entre precisão e eficiência. Foram ainda testados os backbones MiT-b2 e MiTb3, apenas para efeitos comparativos em termos de qualidade de segmentação e tempo de processamento. A avaliação utilizou um conjunto de 23 vídeos, medindo a capacidade de ambos os métodos em detetar linhas de forma fiável para a extração de parâmetros aerodinâmicos. Os resultados evidenciam um trade-off significativo. O método tradicional apresentou tempos de processamento consistentemente mais rápidos, uma vez que assenta em operações leves otimizadas para execução em CPU. Em contraste, o modelo SegFormer forneceu segmentações de linhas mais precisas e fiáveis, embora exigisse maior capacidade computacional. Entre os backbones testados, o SegFormer MiT-b1 revelou-se a melhor escolha, dado que o MiT-b2 e o MiT-b3 resultaram em tempos de processamento significativamente mais elevados sem melhorias relevantes na precisão da segmentação. Em conclusão, o algoritmo tradicional continua a ser vantajoso em cenários onde a velocidade e os recursos limitados são fatores críticos. Contudo, a abordagem baseada em IA, especialmente com o SegFormer MiT-b1, destaca-se como uma solução fiável e precisa quando estão disponíveis mais recursos computacionais. Este trabalho demonstra o potencial da integração da visão por computador suportada por IA na análise do desempenho da vela, permitindo a extração automática e precisa de parâmetros aerodinâmicos que apoiam a tomada de decisão e a melhoria do desempenho em contextos de navegação à vela.engAccuracyAI-basedCamberComputational costComputer VisionDraftEfficiencyGPUImage processing techniquesImage SegmentationSail aerodynamicsSail structureSegFormerSemantic segmentationTransformer-based segmentationAerodinâmica da velaAlgoritmos de IAArqueamento (camber)Custo computacionalEficiênciaEstrutura da velaMiT-B1TwistPrecisãoProfundidade (draft)Segmentação de ImagemSegmentação SemânticaTécnicas de processamento de imagemTorção (twist)TransformadoresVisão por computadormaster thesis204067260