Автоматизована система виявлення малорозмірних об'єктів
Вантажиться...
Дата
2026
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Структура та обсяг реферату. Дисертаційна робота складається із змісту, переліку умовних позначень, вступу, 4-х розділів, висновків, списку використаних джерел. Містить: 17 – ілюстрацій, 5 – таблиць, 96 – сторінок, 2 – додатки.
Основний зміст роботи. 1. Проведено комплексний аналіз існуючих систем аеророзвідки та порівняння архітектур глибоких нейронних мереж (YOLO, SSD, Faster R-CNN) за критеріями швидкодії та точності. На основі отриманих даних обґрунтовано вибір гібридної схеми обробки інформації, де дрон виступає сенсором, а ресурсомісткі задачі детекції виконуються на наземній станції з використанням GPU, що дозволяє застосовувати більш потужні моделі ШІ без критичного навантаження на бортову електроніку та акумулятор БПЛА. 2. Розроблено математичну модель визначення географічних координат наземних об'єктів, яка базується на методах проективної геометрії та тригонометричних перетвореннях. Модель комплексно враховує телеметричні дані (координати GPS, барометричну та лазерну висоту, кути Ейлера: крен, тангаж, рискання) та внутрішні оптичні параметри камери (фокусна відстань, розмір матриці), що дозволяє розраховувати
проекцію центру об'єкта на земну поверхню з високою достовірністю. 3. Спроектовано архітектуру програмно-апаратного комплексу та реалізовано алгоритм синхронізації різнорідних потоків даних (відео та телеметрії) за часовими мітками. Це рішення дозволяє нівелювати
затримки передачі сигналу та співставити конкретний кадр відеопотоку з точним просторовим положенням дрона в момент зйомки, що є
критичним фактором для мінімізації похибки геолокації цілі. 4. Виконано навчання згорткової нейромережі на базі архітектури YOLO
(You Only Look Once) з використанням власного анотованого датасету військової техніки. Завдяки застосуванню методів аугментації даних
(геометричні спотворення, зміна освітлення, додавання шуму) та трансферного навчання, досягнуто високих показників точності
(Precision) та повноти (Recall), що забезпечує надійну ідентифікацію об'єктів навіть у складних умовах спостереження. 5. Розроблено клієнтське програмне забезпечення з інтеграцією Google Maps API для автоматичного нанесення маркерів виявлених цілей на інтерактивну карту в режимі реального часу. Інтерфейс включає інструменти підтримки прийняття рішень: спливаючі вікна з відеофрагментами для верифікації об'єкта оператором, історію подій та модуль експорту координат для передачі суміжним підрозділам. 6. Методом імітаційного моделювання досліджено роботу системи у віртуальному середовищі на висотах польоту від 50 до 200 м. Оцінено середньоквадратичну похибку позиціонування та встановлено її залежність від кута візування камери. Також на синтетичних тестових вибірках підтверджено ефективність алгоритмів розпізнавання та коректність роботи логіки програмного комплексу без ризику втрати дороговартісного обладнання.
Опис
Ключові слова
аеророзвідка, БПЛА, комп'ютерний зір, нейронна мережа, геолокація, визначення координат, API, автоматизована система, aerial reconnaissance, UAV, computer vision, neural network, geolocation, coordinate determination, automated system
Бібліографічний опис
Магдич, В. С. Автоматизована система виявлення малорозмірних об'єктів : магістерська дис. : 172 Електронні комунікації та радіотехніка / Магдич Віталій Сергійович. – Київ, 2026. – 97 c.