Search academic texts

Information × Registration Number 2124U009203, Article popup.category Опубліковано, Стаття Title AIRCRAFT DETECTION WITH DEEP NEURAL NETWORKS AND CONTOUR-BASED METHODS popup.author Радіонов Є. Д.Каштан В. Ю.Гнатушенко В. В.Казимиренко О. В.Radionov Y. D.Kashtan V. Yu.Hnatushenko V. V.Kazymyrenko O.V. popup.publication 26-12-2024 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/316206 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Розпізнавання літаків є важливою задачею у військовій сфері, оскільки швидка та точна ідентифікація літальних апаратів дозволяє своєчасно реагувати на потенційні загрози, ефективно контролювати повітряний простір і підтримувати національну безпеку. Використання глибоких нейронних мереж підвищує точність розпізнавання літаків, що є важливим для сучасних потреб оборони та моніторингу повітряного простору. Мета роботи – підвищення точності розпізнавання літаків на оптичних космічних знімках високої роздільної здатності за допомогою глибоких нейронних мереж та методу послідовного обходу меж для виявлення контурів обʼєктів. Метод. Запропоновано метод для підвищення точності розпізнавання літаків на супутникових знімках високої роздільної здатності. На першому етапі здійснюється збір даних із набору HRPlanesv2, що містить високоточні супутникові зображення з анотаціями літаків. Другий етап передбачає попередню обробку зображень за допомогою методу послідовного обходу меж для виявлення контурів об’єктів. На третьому етапі створюються навчальні дані шляхом інтеграції отриманих контурів з оригінальними зображеннями HRPlanesv2. На четвертому етапі модель виявлення об’єктів YOLOv8m тренується окремо на оригінальному наборі даних HRPlanesv2 та на наборі даних із застосованою попередньою обробкою, що дозволяє оцінити вплив додаткових оброблених характеристик на продуктивність моделі. Результати. Розроблено програмне забезпечення, яке реалізує запропонований метод. Тестування проводилося як на первинних даних до попередньої обробки, так і на даних після її застосування. Результати підтвердили перевагу запропонованого методу над класичними підходами, забезпечуючи вищу точність розпізнавання літаків. Показник mAP50 досяг 0.994, а mAP50-95 – 0.864, що на 1% і 4,8% відповідно, вище, ніж у стандартного підходу. Висновки. Проведені експерименти підтверджують ефективність запропонованого методу розпізнавання літаків за допомогою глибоких нейронних мереж та методу послідовного обходу меж для виявлення контурів обʼєктів. Результати вказують на високу точність і ефективність цього підходу, що дозволяє рекомендувати його для використання в задачах, пов’язаних із розпізнаванням літаків на зображеннях високої роздільної здатності. Подальші дослідження можуть зосередитися на вдосконаленні методів попередньої обробки зображень і розвитку технологій розпізнавання об’єктів у машинному навчанні. popup.nrat_date 2026-02-15 Close