|сгенерировать QR код
Открытый доступ
Только для подписчиков
Нейросетевое детектирование групповых объектов испытаний по гиперспектральным маркерам при внешнетраекторных измерениях
https://doi.org/10.32446/0368-1025it.2022-3-17-23
Аннотация
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.
Ключевые слова
Об авторе
И. А. Кулешов
Министерство обороны РФ
Казахстан
Казахстан
Иван Андреевич Кулешов
Войсковая часть 03080, Приозёрск
Список литературы
1. ГородецкийВ. 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/S0147688210050060
2. Набатчиков 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.).
3. 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.
4. 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/10.18287/0134-2452-2013-37-4-477-483
5. Кочкин 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/10.7463/1214.0749279
6. Суровцев П. Ю., Суслин А. С. Корреляционно-разностный алгоритм обнаружения воздушных объектов, наблюдаемых на фоне неоднородного неба // Труды МАИ. 2018. № 103. C. 16.
7. Barnabe P., Dislaire G., Leroy S., Pirard E., Journal of Electronic Imaging, 2015, no. 24, 061115. https://doi.org/10.1117/1.JEI.24.6.061115
8. Денисова 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/10.18287/2412-6179-2016-40-4-526-534
9. Пестунов 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.
10. Goodfellow I., Bengio Y., Courville A., Deep Learning, MIT Press, 2016, 800 p.
11. Redmon J., Farhadi A., YOLOv3: An Incremental Improvement, 2018, https://arxiv.org/abs/1804.02767v1 [cs.CV].
12. Redmon J., Farhadi. A. YOLO9000: Better, Faster, Stronger, 2016, https://arxiv.org/abs/1612.08242v1 [cs.CV].
13. 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].
14. Свидетельство о регистрации программы для ЭВМ №2020615926 / И. А. Кулешов. Модель сеанса мультиспектральных измерений траектории движения роя беспилотных летательных аппаратов.
Рецензия
Для цитирования:
Кулешов И.А. Нейросетевое детектирование групповых объектов испытаний по гиперспектральным маркерам при внешнетраекторных измерениях. Izmeritelʹnaya Tekhnika. 2022;(3):17-23. https://doi.org/10.32446/0368-1025it.2022-3-17-23
For citation:
Kuleshov I.A. Neural network detection of group test objects by hyperspectral markers during external trajectory measurements. Izmeritel`naya Tekhnika. 2022;(3):17-23. (In Russ.) https://doi.org/10.32446/0368-1025it.2022-3-17-23
Просмотров:
111
Послать статью по эл. почте 