Інтелектуальні методи виявлення та класифікації вибухонебезпечних предметів
Вантажиться...
Дата
2026
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Лесогорський К.С. Інтелектуальні методи виявлення та класифікації вибухонебезпечних предметів. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня кандидата технічних наук (доктора філософії) за спеціальністю 122 Комп’ютерні науки з галузі знань 12 Інформаційні технології. – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2026.
Забруднення територій мінами та іншими вибуховими пристроями є однією з ключових проблем, які затримують розвиток країн у післявоєнний період. Оперативне виконання розмінування на якомога більшому об’ємі забрудненої території є критичною задачею для відновлення країн після завершення бойових дій. Однією з найскладніших та найнебезпечніших частин процесу є виявлення мін та вибухонебезпечних предметів. Історично це виконувалось інженерами розмінування, які використовували набір простих інструментів (метало детектори та щупи) для пошуку та позначення вибухонебезпечних предметів. Розвиток безпілотних систем та сенсорів дозволяє використовувати роботизовані системи для обстеження забруднених ділянок, значно знижуючи ризик для людей. Однак застосування таких технологій не є простим, оскільки існує ряд проблем, навединих нижче. 1. Для виявлення вибухових предметів на поверхні та під землею необхідні чутливі сенсори. 2. Комплексність проблеми вимагає побудови рішення із врахуванням особливості застосування методів на кожному з етапів. Моделі штучного інтелекту мають бути адаптовані до складних та великих даних, отриманих від різноманітних сенсорів. Дані від сенсорів мають бути передоброблені для якісної роботи моделей штучного інтелекту. 3. Сучасні моделі штучного інтелекту вимагають великої кількості даних для навчання. Розмінування є дуже спеціалізованим випадком, з обмеженою кількістю наборів даних та складністю збору додаткових наборів даних. Це створює необхідність у використанні спеціалізованих методів навчання для підвищення узагальнюючої здатності моделі та її можливості адаптуватись до нових умов. Нині у методах інтелектуального аналізу гіпер(мульти)спектральних зображень утворилося протиріччя – існуючі методи розробляються для класифікації великої кількості класів, однак при цьому кожен клас займає велику площу; набори даних є збалансованими та повністю маркованими – та практичними потребами задач виявлення ВНП – обмежена кількість класів, які складають малий відсоток набору даних з обмеженим маркуванням. Для розв’язання протиріччя, яке було визначене, в дисертаційній роботі розв’язується актуальне наукове завдання щодо розробки методології та методів передобробки та інтелектуального аналізу гіпер(мульти)спектральних зображень для вирішення задачі класифікації та сегментації на основі штучних нейронних мереж в умовах короткої, незбалансованої вибірки. Метою дисертаційної роботи є підвищення ефективності процесу інтелектуального виявлення вибухонебезпечних предметів у гіпер(мульти)спектральних та інфрачервоних аерофотозображеннях отриманих із БпЛА шляхом підвищення точності класифікації та зменшення кількості помилок I та II типу. Основні наукові завдання дослідження, відповідно до мети, полягають в наступному. 1. Провести комплексний аналіз стану проблеми забруднення ВНП, особливості процесу гуманітарного розмінування, застосування безпілотних систем при роботі з ВНП. Проаналізувати особливості методів обробки даних аерофотозйомки з гіпер(мульти)спектральних камер, етапів передобробки даних, навчання моделей машинного навчання та збереження результатів інтелектуальної обробки у геоінформаційних базах даних. 2. Розробити метод інтелектуальної обробки гіперспектральних (мультиспектральних) даних з метою виявлення вибухонебезпечних предметів. Визначення основних кроків та задач, які необхідно вирішити. 3. Розробити методи передобробки гіпер(мульти) спектральних даних: адаптувати існуючі методи покращення якості із урахуванням особливостей гіперспектральних (мультиспектральних) зображень, запропонувати нові підходи до зменшення спектральної розмірності шляхом виділення інформативних каналів з урахуванням особливостей формування векторів ознак зі спектральних сигнатур. 4. Розробити методи напівкерованого навчання націлених на зменшення ефекту самоупредженості при роботі з незбалансованими вибірками та навчання при можливості наявності перетину класу та невідомих класів. Розробка методу вибору оптимального алгоритму напівкерованого навчання на основі оцінки навчальної вибірки. 5. Розробити топології штучних нейронних мереж для виявлення спектрально-просторових ознак, їх злиття та класифікації гіперспектральних (мультиспектральних) даних. 6. Розробити програмне забезпечення для передобробки, формування ортофотоплану та інтелектуальної обробки спектральних даних із забезпеченням взаємодії з GIS системами для спрощення інтеграції в процеси гуманітарного розмінування. 7. Провести експериментальну перевірку запропонованих методів на наборах даних, зібраних у контрольованих умовах і відповідає реальному застосуванню ВНП для якісної та кількісної оцінки ефективності запропонованих методів. Об’єктом дослідження є методи класифікації гіперспектральних (мультиспектральних) даних. Предметом дослідження є інтелектуальні методи виявлення та класифікації ВНП на основі гіперспектральних та мультиспектральних даних. Методами дослідження є методи математичного моделювання, методи напівкерованого навчання, методи структурно-параметричного синтезу нейронних мереж, методи обробки цифрових зображень, теорія інформації, методи орторектифікації та зшивки аерофотографій, методи якісної та кількісної оцінки інтелектуальних методів. У дисертації вперше одержані наступні наукові результати. 1. Вперше розроблено метод виявлення та класифікації вибухонебезпечних предметів на основі інтелектуального аналізу гіпер(мульти)спектральних зображень, яка відрізняється від відомих тим, що вона включає в себе попередню обробку гіперспектральних (мультиспектральних) зображень, реконструкцію та сегментацію ортофотопланів, визначення просторових та спектральних ознак, та класифікацію вибухонебезпечних предметів з визначенням їх типів та місця знаходження на основі використання напівкерованого навчання, що підвищує ефективність виявлення ВНП з визначенням координат їх розміщення та типів. 2. Вперше розроблено метод передобробки гіперспектральних (мультиспектральних) даних для виявлення вибухонебезпечних предметів, який відрізняється від відомих тим, що включає алгоритм відновлення зображень (прибирання шумів та розмиття), оснований на використанні модифікованої архітектури U-net, алгоритм зменшення спектральної розмірності оснований на відборі найбільш інформативних каналів на основі критерію когерентності каналів на сонові локальної кореляційно-зваженої густини, що покращує якість зображення та зменшує обчислювальну складність інтелектуальної обробки. 3. Подальшого розвитку отримали методи напівкерованого навчання у незбалансованих вибірках та в умовах перетину класів. Модифіковано метод асамблевого напівкерованого навчання шляхом використання критерію міжвидової консистентності, що зменшує ефект передвзятості самоупредженості та підвищує точність класифікації на незбалансованих навчальних вибірках. Модифіковано метод активного напівкерованого навчання шляхом введення дуального критерію цінності зразка на основі інформативності на впевненості псевдоміток для вибору немаркованих зразків у процесі активного навчання, що підвищує точність класифікації на наборах даних із значним перетином або дисбалансом класів 4. Подальшого розвитку оримали методу вибору оптимального алгоритму напівкерованого навчання шляхом застосування набору метрик для оцінки відповідності набору даних припущенням напівкерованого навчання, що зменшує обчислювальну складність вибору алгоритму напівкерованого навчання. 5. Подальшого розвитку отримали методи інтелектуальної обробки гіпер(мульти)спектральних зображень. Модифіковано метод семантичної сегментації гіпер(мульти)спектральних зображень на основі використання нейронної мережі з топологією U-net, шляхом введення 3D блоків енкодеру з паралельною обробкою спектральних карт ознак та 2D блоків декодеру з перемежованою зваженою конкатенацією, що підвищує піксельну точність сегментації. Модифіковано метод класифікації гіпер(мульти)спектральних зображень на основі використання нейронної мережі з топологією Mobile ViT шляхом введення блоків перехресної спектрально-просторової уваги SpectralCA, що знижує обчислювальну складність трансформера та підвищує точність класифікації. Практичне значення одержаних результатів визначається можливістю їх використання для створення систем підтримки операцій гуманітарного розмінування. Розроблена методологія та програмні системи дозволяють інтегрувати запропоновані методи та підходи до процесів гуманітарного розмінування. Розроблені методи передобробки зображень та зменшення спектральної розмірності можуть бути застосовані як безпосередньо при пошуку вибухонебезпечних предметів, так і у інших задачах обробки гіпер(мульти)спеткральних даних. Запропонований підхід до покращення якості зображень зменшує вплив шуму на зображення на 1.56% та розмиття на 1.78%. Запропоновані методи напівкерованого навчання покращують точність класифікації в умовах перетину класу та незбалансованих вибірок. Метод ансамблевого напівкерованого навчання із міжвидовим консенсусом націлений на більш точну класифікацію даних в умовах значного перетину класів і в експериментах на модельних наборах даних показує приріст точності до 3% на модельних наборах даних. Алгоритм активного навчання із напівкерованим критерієм цінності зразка підвищує середню точність класифікації в умовах перетину та дисбалансу класів, підвищуючи середню точність на 4.53% і здатний автоматично знаходити оптимальну кількість даних для розмітки. Методи інтелектуальної обробки гіпер(мульти)спектральних зображень на основі штучних згорткових нейронних мереж та трансформерів були експериментально перевірені на реальних даних і показали 100% відклик при виявленні ВНП та 97.20% загальну точність класифікації ВНП. Запропонована методологія дозволяє обробляти великі об’єми території із формуванням мапи знаходження ВНП та інтеграцією з GIS системами, що робить її застосування доцільним у задачах гуманітарного розмінування Теоретичне значення дисертаційної роботи полягає у розвитку методів напівкерованого навчання та методів інтелектуальної обробки зображень. У роботі поглиблено теоретичні засади застосування методів напівкерованого навчання в умовах незбалансованих вибірок на перетину класів, а також формалізовано процес вибору алгоритму напівкерованого навчання на основі оцінки відповідності набору даних припущенням напівкерованого навчання. Запропоновані методи протестовано на основі експериментального мультиспектрального та інфрачервоного наборів даних, отриманих на базі Навчального центру інженерних військ та військ радіаційного, хімічного, біологічного захисту (в/ч А1884) в структурі Командування сил підтримки ЗС України, де отримали позитивний відгук. Запропоновані методи використовуються у виконанні експериментального прикладного-наукового дослідження «Розробка інтелектуальної мобільної системи виявлення мінних полів» (пріоритетна тематика 86. Використання штучного інтелекту для розмінування) у 2023-2026 рр. на базі ДУ «Київський авіаційний інститут» (номер державної реєстрації 0124U000456).
Опис
Ключові слова
моделі штучного інтелекту, комп’ютерний зір, штучні нейронні мережі, згорткові нейронні мережі, трансформери, машине навчання, напівкероване навчання, класифікація зображень, обробка багатоканальних зображеннь, спектрально-просторовий аналіз даних, інформаційна система, планування міссій, БПЛА, квадрокоптери, виявлення ВНП, artificial intelligence models, computer vision, artificial neural networks, convolutional neural networks, transformers, machine learning, semi-supervised learning, image classification, multi-channel image processing, spectral-spatial data analysis, information system, mission planning, UAVs, quadcopters, UXO detection
Бібліографічний опис
Лесогорський, К. С. Інтелектуальні методи виявлення та класифікації вибухонебезпечних предметів : дис. … д-ра філософії : 122 Комп’ютерні науки / Лесогорський Кирило Сергійович. – Київ, 2026. – 202 с.