Search academic texts

Information × Registration Number 2124U009223, Article popup.category Опубліковано, Стаття Title INTELLIGENT VIDEO ANALYSIS TECHNOLOGY FOR AUTOMATIC FIRE CONTROL TARGET RECOGNITION BASED ON MACHINE LEARNING popup.author Висоцька В. А.Романчук Р. В.Vysotska V.Romanchuk R. popup.publication 03-11-2024 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/312781 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Розпізнавання цілей є пріоритетом у військовій справі. Це завдання ускладнюється тим, що необхідно розпізнавати рухомі об’єкти, різний рельєф і ландшафт створюють перешкоди для розпізнавання. Бойові дії можуть відбуватися в різний час доби, відповідно, необхідно враховувати ракурс освітлення та загальне освітлення. Необхідно виявити об’єкт на відео шляхом сегментації відеокадрів, розпізнати та класифікувати його. Мета – розроблення технології аналізу розроблення технології розпізнавання цілей в реальному масштабі часу, як складової системи управління вогнем, за рахунок використання штучного інтелекту, YOLO та машинного навчання. Метод. В статті розроблено технолгію аналізу відеопотоку для автоматичного розпізнавання цілей системи керування вогнем на основі машинного навчання. У роботі запропоновано розробку модуля розпізнавання цілей як складової системи управління вогнем в рамках запропонованої інформаційної технології з використанням штучного інтелекту. Сімейство моделей розпізнавання образів YOLOv8 використано для розробки модуля розпізнавання цілей. Методи, які використано під час дослідження сформованого датасету. – Bounding Box: Noise – Up to 15% of pixels (обмежувальна рамка: додавання до зображення шуму «солі та перцю» – до 15% пікселів). – Bounding Box: Blur – Up to 2.5px (обмежувальна рамка: додавання до зображення розмиття за Гаусом – до 2,5 пікселів). – Cutout – 3 boxes with 10% size each (вирізати частину зображення – 3 коробки по 10% розміру кожна). – Brightness – Between –25% and +25% (зміна яскравості зображення для збільшення стійкості моделі до зміни освітлення та налаштувань камери – від –25% до +25%). – Rotation – Between –15 and +15 (обертання об’єкта зображення – за або проти годинникової стрілки на ступінь від – 15 до +15). – Flip – Horizontal (перевертання об’єкта зображення горизонтально). Результати. Дані зібрані з відкритих джерел, зокрема, з відеозаписів, розміщених у відкритих джерелах на платформі YouTube. Основним завданням попередньої обробки даних є класифікація трьох класів об’єктів на відео або в режимі реального часу – БТР, БМП і ТАНК. Набір даних формується за допомогою платформи Roboflow на основі інструментів маркування та, згодом, інструментів доповнення. Набір даних складається з 1193 унікальних зображень – приблизно порівну для кожного класу. Тренінг проводився з використанням ресурсів Google Colab. На навчання моделі пішло 100 епох. Висновки. Аналіз проводиться відповідно до показників mAP50 (середня точність 0,85), mAP50-95 (0,6), точності (0,89) і запам’ятовування (0,75). Великі втрати є через те, що під час дослідження не було враховано фон – навчання модуля на основі підтверджених даних (зображень) фону без техніки. popup.nrat_date 2026-02-25 Close