izmertechИзмерительная техникаIzmeritel`naya Tekhnika0368-10252949-5237ФГУП "ВНИИФТРИ"10.32446/0368-1025it.2022-3-17-23izmertech-1549Research ArticleИЗМЕРЕНИЯ В ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЯХMEASUREMENTS IN INFORMATION TECHNOLOGIESНейросетевое детектирование групповых объектов испытаний по гиперспектральным маркерам при внешнетраекторных измеренияхNeural network detection of group test objects by hyperspectral markers during external trajectory measurementshttps://orcid.org/0000-0002-8046-9065КулешовИ. А.KuleshovI. A.

Иван Андреевич Кулешов

Войсковая часть 03080, Приозёрск

Ivan A. Kuleshov

Military Unit 03080, Priozersk

ibnkuleshov@mail.ruМинистерство обороны РФКазахстанMinistry of Defense RFKazakhstan202227042023031723Copyright © ФГУП "ВНИИФТРИ", 20232023ФГУП "ВНИИФТРИ"ФГУП "ВНИИФТРИ"https://www.izmt.ru/jour/about/submissions#copyrightNoticehttps://www.izmt.ru/jour/article/view/1549

Актуализирована задача детектирования элементов групповых объектов лётных испытаний. Актуальность задачи обусловлена нарастающей потребностью в метрологическом обеспечении внешнетраекторных измерений при испытаниях образцов перспективных многоагентных систем с элементами – летательными аппаратами. Проанализированы существующие алгоритмы детектирования объектов, применяемые в современных оптико-электронных станциях (системах). По результатам анализа сделан вывод о несоответствии данных алгоритмов требованиям, предъявляемым при испытаниях групповых объектов, в частности из-за сложности селекции объектов на атмосферном фоне. Для детектирования групповых объектов предложено использовать дополнительные высокоинформативные признаки, отражающие физическую природу наблюдаемых объектов: особенности формы спектра света, отражённого от различных материалов. Предложено выявлять признаки в процессе предварительного гиперспектрального анализа объектов испытаний с последующим сокращением размерности данных. Чтобы исключить ошибки, возникающие при вращении и частичном перекрытии объектов, рекомендовано применять нейросетевые методы и приборы, в частности нейросетевой детектор YOLO v2. Предложены вариант организации данных для его обучения, а также архитектура детектора, обеспечивающая высокие точность и скорость обработки информации. Данные характеристики детектора были подтверждены экспериментально на основании изображений, экспортируемых из модели сеанса внешнетраекторных измерений. Предложен порядок реализации нейросетевого детектирования групповых объектов испытаний. Полученные результаты актуальны для решения вопросов аппаратно-программного обеспечения следящих оптико-электронных систем.

The task of detecting elements of group fl ight test objects has been actualized. Its relevance is based on the growing need to provide external trajectory measurements when testing samples of advanced multi-agent systems, the elements of which are aircraft. An analysis was made of the existing algorithms for detecting objects used in modern optoelectronic stations. Based on the results of the analysis, it was concluded that these algorithms do not meet the requirements for testing group objects. As a problematic issue in their application is the complexity of the selection of objects against the atmospheric background. To ensure the detection of objects, it is proposed to use additional highly informative features that refl ect the physical nature of the observed objects. Such features are the features of the shape of the spectrum of light refl ected from various materials. In order to identify them, it is proposed to conduct a preliminary hyperspectral analysis of test objects with subsequent reduction in the data dimension. To eliminate errors that occur during rotation and partial overlap of objects, it was proposed to use neural network methods, in particular, the YOLO v2 neural network detector. A variant of data organization for its training is proposed, as well as a detector architecture that provides high accuracy and rate of information processing. These characteristics of the detector were confi rmed experimentally on the basis of images exported from the model of the session of external trajectory measurements. A procedure for implementing neural network detection of group test objects was proposed. The results obtained are relevant for solving the issues of hardware and software for tracking optoelectronic systems. 

гиперспектральный снимоксвёрточная сетьдетекторгрупповой объектвнешнетраекторные измеренияhyperspectral imageconvolutional networkdetectorgroup objectexternal trajectory measurementsReferencesГородецкийВ. И., Карсаев О. В., СамойловВ. В., Серебряков С. В. Прикладные многоагентные системы группового управления // Искусственный интеллект и принятие решений. 2010. № 5. С. 301–317. https://doi.org/10.3103/S0147688210050060Gorodetskii V. I., Karsaev O. V., Samoilov V. V., Serebryakov S. V., Scientifi c and Technical Information Processing, 2010, vol. 37 no. 5, pp. 301–317. (In Russ.) https://doi.org/10.3103/S0147688210050060Набатчиков А. С., Якименко И. В. Способ обнаружения малоразмерных тепловых объектов на атмосферном фоне // Математическая морфология. 2012. Т. 11. № 4. URL: http://sgma.alpha-design.ru/MMORPH/N-36-html/nabatchikov/ nabatchikov.htm (дата обращения: 09.02.2022 г.).Nabatchikov A. S., Yakimenko I. V., Matematicheskaya morfologiya, 2012, no. 4, available at: http://www.sci.rostelecom67.ru/ user/sgma/MMORPH/N-36-html/nabatchikov/nabatchikov.htm (accessed: 09.02.2022). (In Russ.)Бабаян П. В., Фельман А. Б. Обнаружение и оценка параметров воздушных объектов в видеопоследовательностях на основе кратномасштабной пространственной обработки // Цифровая обработка сигналов. 2010. № 4. С. 7–11.Babayan P. V., Fel’dman A. B., Tsifrovaya obrabotka signalov, 2010, no. 4, pp. 7–11. (In Russ.)Ваниев А. А., Емельянов Г. М. Метод выделения быстродвижущихся объектов при использовании цифрового оптического локатора следящего типа // Компьютерная оптика. 2013. Т. 37. № 4. С. 477–483. https://doi.org/10.18287/0134-2452-2013-37-4-477-483Vaniev A. A., Emel’yanov G. M., Computer optics, 2013, vol. 37, no. 4, pp. 477–483. (In Russ.) https://doi.org/10.18287/0134-2452-2013-37-4-477-483Кочкин В. А. Автоматическое выделение динамических объектов на фоне подстилающей поверхности // Наука и образование: научное издание МГТУ им. Н. Э. Баумана. 2014. № 12. C. 889–902. https://doi.org/10.7463/1214.0749279Kochkin V. A., Science and Education of the Bauman MSTU, 2014, no. 12, pp. 889–902. (In Russ.) https://doi.org/10.7463/1214.0749279Суровцев П. Ю., Суслин А. С. Корреляционно-разностный алгоритм обнаружения воздушных объектов, наблюдаемых на фоне неоднородного неба // Труды МАИ. 2018. № 103. C. 16.Surovtsev P. Yu., Suslin A. S., Correlation-diff erence algorithm for aerial objects detection observed against non-uniform sky background, Trudy MAI, 2018, no. 103, p. 16. (In Russ.)Barnabe P., Dislaire G., Leroy S., Pirard E., Journal of Electronic Imaging, 2015, no. 24, 061115. https://doi.org/10.1117/1.JEI.24.6.061115Barnabe P., Dislaire G., Leroy S., Pirard E., Journal of Electronic Imaging, 2015, no. 24, 061115. https://doi.org/10.1117/1.JEI.24.6.061115Денисова А. Ю., Мясников В. В. Атмосферная коррекция гиперспектральных изображений с использованием верифицированных данных малого объема // Компьютерная оптика. 2016. Т. 40. № 4. С. 526–534. https://doi.org/10.18287/2412-6179-2016-40-4-526-534Denisova A. Yu., Myasnikov V. V., Atmospheric correction of hyperspectral images using small volume of the verifi ed data, Computer optics, 2016, vol. 40, no. 4, pp. 526–534. (In Russ.) https://doi.org/10.18287/2412-6179-2016-40-4-526–534Пестунов И. А., Мельников П. В. Метод главных компонент и его модификации в задачах классификации гиперспектральных данных // Интерэкспо ГЕО-Сибирь. 2015. Т. 4. № 2. С. 45–50.Pestunov I. A., Mel’nikov P. V., Principal component analysis and its modifi cations in hyperspectral image classifi cation, Interexpo GEO-Siberia, 2015. vol. 4, no. 2, pp. 45–50. (In Russ.)Goodfellow I., Bengio Y., Courville A., Deep Learning, MIT Press, 2016, 800 p.Goodfellow I., Bengio Y., Courville A., Deep Learning, MIT Press, 2016, 800 p.Redmon J., Farhadi A., YOLOv3: An Incremental Improvement, 2018, https://arxiv.org/abs/1804.02767v1 [cs.CV].Redmon J., Farhadi A., YOLOv3: An Incremental Improvement, 2018, https://arxiv.org/abs/1804.02767v1 [cs.CV].Redmon J., Farhadi. A. YOLO9000: Better, Faster, Stronger, 2016, https://arxiv.org/abs/1612.08242v1 [cs.CV].Redmon J., Farhadi A., YOLO9000: Better, Faster, Stronger, 2016, https://arxiv.org/abs/1612.08242v1 [cs.CV].Redmon J., Divvala S., Girshick R., Farhadi A., You only look once: Unifi ed, real-time object detection, 2016, https://arxiv. org/abs/1506.02640v5 [cs.CV].Redmon J., Divvala S., Girshick R., Farhadi A., You only look once: Unifi ed, real-time object detection, 2016, https://arxiv. org/abs/1506.02640v5 [cs.CV].Свидетельство о регистрации программы для ЭВМ №2020615926 / И. А. Кулешов. Модель сеанса мультиспектральных измерений траектории движения роя беспилотных летательных аппаратов.Certifi cate of registration of a computer program № 2020615926, 4.06.2020, I. A. Kuleshov

The authors declare that there are no conflicts of interest present.