Автоматизована система виявлення малорозмірних об'єктів

Скорочена інформація про документ
dc.contributor.advisorСтепанов, Михайло Миколайович
dc.contributor.authorМагдич, Віталій Сергійович
dc.date.accessioned2026-06-10T12:11:25Z
dc.date.available2026-06-10T12:11:25Z
dc.date.issued2026
dc.description.abstractСтруктура 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.
dc.description.abstractotherStructure and scope of the thesis. The thesis consists of a table of contents, a list of abbreviations, an introduction, 4 chapters, conclusions, and a list of references. It contains: 17 illustrations, 5 tables, 96 pages and 2 appendices. Main content. 1. A comprehensive analysis of existing aerial reconnaissance systems and a comparison of deep neural network architectures (YOLO, SSD, Faster RCNN) based on speed and accuracy criteria were conducted. Based on the obtained data, the choice of a hybrid information processing scheme was justified, where the drone acts as a sensor, and resource-intensive detection tasks are performed on a ground station using a GPU. This allows the use of more powerful AI models without critical load on the onboard electronics and the UAV battery. 2. A mathematical model for determining the geographic coordinates of ground objects was developed, based on methods of projective geometry and trigonometric transformations. The model comprehensively takes into account telemetry data (GPS coordinates, barometric and laser altitude, Euler angles: roll, pitch, yaw) and internal optical camera parameters (focal length, sensor size), which allows calculating the projection of the object's center onto the earth's surface with high reliability. 3. The architecture of the hardware-software complex was designed, and an algorithm for synchronizing heterogeneous data streams (video and telemetry) by timestamps was implemented. This solution allows mitigating signal transmission delays and matching a specific video frame with the exact spatial position of the drone at the moment of shooting, which is a critical factor for minimizing the target geolocation error. 4. Training of a convolutional neural network based on the YOLO (You Only Look Once) architecture was performed using a custom annotated dataset of 10 military equipment. Thanks to the application of data augmentation methods (geometric distortions, lighting changes, noise addition) and transfer learning, high indicators of precision and recall were achieved, ensuring reliable object identification even in complex observation conditions. 5. Client software with Google Maps API integration was developed for automatically placing markers of detected targets on an interactive map in real-time. The interface includes decision support tools: pop-up windows with video fragments for object verification by the operator, an event history, and a coordinate export module for data transfer to adjacent units. 6. Using the method of simulation modeling, the system's operation was investigated in a virtual environment at flight altitudes from 50 to 200 m. The root-mean-square positioning error was estimated, and its dependence on the camera viewing angle was established. Also, on synthetic test samples, the effectiveness of recognition algorithms and the correctness of the software complex logic were confirmed without the risk of losing expensive equipment.
dc.format.extent97 с.
dc.identifier.citationМагдич, В. С. Автоматизована система виявлення малорозмірних об'єктів : магістерська дис. : 172 Електронні комунікації та радіотехніка / Магдич Віталій Сергійович. – Київ, 2026. – 97 c.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/81607
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectаеророзвідка
dc.subjectБПЛА
dc.subjectкомп'ютерний зір
dc.subjectнейронна мережа
dc.subjectгеолокація
dc.subjectвизначення координат
dc.subjectAPI
dc.subjectавтоматизована система
dc.subjectaerial reconnaissance
dc.subjectUAV
dc.subjectcomputer vision
dc.subjectneural network
dc.subjectgeolocation
dc.subjectcoordinate determination
dc.subjectautomated system
dc.subject.udc621.375.9
dc.titleАвтоматизована система виявлення малорозмірних об'єктів
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Mahdych_magistr.pdf
Розмір:
1.89 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (РЕ)
Магістерські роботи