Registration Number
0826U005292, PhD dissertation
Status
Доктор філософії
Date
18-09-2026
popup.evolution
o
Чому дисертація має статус "Запланована"?
Title
Neural Network Methods for Anomaly Detection in Fields of Physical Quantities.
Author
Oleksandr Shunin,
popup.head Oleh V. Maslov
popup.opponent Oleh M. Berezsky
popup.opponent Oleksandr Romanyuk
popup.review Anatolii O. Nikolenko
popup.review Oleksandr O. Fomin
popup.rada
Odesa Polytechnic National University
Description
Дисертацію присвячено розробленню нейромережевих методів виявлення, класифікації та локалізації аномалій у полях фізичних величин на основі узгодженого просторово-часового подання різнорідних сенсорних даних БПЛА-платформи. Науковий зміст роботи полягає у створенні нейромережевого підходу, за якого різнорідні вимірювальні потоки перетворюються на структуровані вхідні дані нейронних мереж, придатні для достовірного виявлення, класифікації та просторової локалізації аномалій.
Актуальність зумовлена недостатньою розробленістю нейромережевих методів виявлення аномалій за різнорідними сенсорними даними: аномалія часто проявляється через слабко виражені, нелінійні та зашумлені відхилення розподілу фізичного поля від фонового стану. Ефективність нейромережевого пошуку залежить не лише від архітектури мережі, а й від якості вхідних даних, оскільки сенсорні потоки формуються з різними частотами дискретизації, у різних форматах і системах координат.
У першому розділі проаналізовано фізичні принципи роботи імпульсних металошукачів, TMR-магнітометрів, мультиспектральних камер і георадарів. Встановлено, що окремі сенсорні канали мають різну інформативність, а головним стримувальним чинником є відсутність узгодженого подання різнорідних вимірювань.
У другому розділі розв'язано задачу підготовки різнорідних сенсорних даних. Удосконалено метод часового узгодження потоків на основі апаратної прив'язки каналів до спільного опорного сигналу (похибка 2–4 см). Вперше розроблено чотиривимірну модель поля аномалій S(c,X,Y,t). Удосконалено метод просторової прив'язки вимірювань, який поєднує автономну кінематику реального часу з обґрунтуванням точності геоприв'язки (похибка 1–8 см). Сформовано 14-канальне тензорне подання T(x,y,k) шляхом інтерполяції потоків на сітку 10×10 см.
У третьому розділі розроблено нейромережевий метод виявлення та класифікації аномалій за тензорним поданням T(x,y,k) як входом для ансамблю 1D-згорткових нейронних мереж і стекінгового метакласифікатора. Отримано Pd = 0,965, F1 = 0,952 за часу обробки менш ніж 4 мс/вектор. Набув подальшого розвитку підхід до побудови фізично-інформованих нейронних мереж через регуляризаційні складові функції втрат, задані дипольною моделлю аномалії та моделлю затухання вихрових струмів.
У четвертому розділі розглянуто формування навчальних вибірок і планування місій. Запропоновано стратегію поєднання лабораторного навчання та польового донавчання й аугментацію із цифровим двійником: частка синтетичних даних ~25% дає приріст F1 на 0,020. Дворівнева схема планування місії скорочує площу детального обстеження на 56,3% без втрати інформативності.
У п'ятому розділі описано програмну реалізацію та експериментальну перевірку методів. Показано, що інтеграція каналів у єдиному нейромережевому конвеєрі підвищує достовірність виявлення аномалій. Польові випробування підтвердили локалізацію аномалій із сантиметровою точністю. Відкритий набір даних опубліковано в репозиторії github.com/op-uav-lab/soil-monitor-mlp.
Наукова новизна полягає в отриманні таких результатів:
- удосконалено нейромережевий метод виявлення і класифікації аномалій за мультисенсорними даними БПЛА-платформи з використанням тензорного подання T(x,y,k) як спільного входу для ансамблю 1D-згорткових нейронних мереж і стекінгового метакласифікатора;
- вперше розроблено чотиривимірну модель поля аномалій S(c,X,Y,t) для даних імпульсної індукції;
- удосконалено метод часового узгодження різнорідних вимірювальних потоків на основі апаратної прив'язки каналів (похибка синхронізації 2–4 см);
- удосконалено метод просторової прив'язки вимірювань з обґрунтуванням точності геоприв'язки (похибка 1–8 см);
- набув розвитку підхід до побудови фізично-інформованих нейронних мереж через регуляризаційні складові функції втрат.
Практичне значення полягає у можливості застосування розроблених методів у задачах гуманітарного розмінування, дистанційного моніторингу ґрунтів, геофізичного обстеження та екологічного контролю територій.
Результати використано у проєктах НФДУ № 2023.04/0161, СШ/5-2024 та НДР 723-43. Опубліковано десять наукових праць: колективна монографія, стаття у виданні Scopus, стаття у виданні іншої держави, дві статті у фахових виданнях категорії «Б» та матеріали конференцій
Registration Date
2026-09-22
popup.nrat_date
2026-09-22 / 2026-09-22
