АВТОМАТИЗОВАНА СИСТЕМА ЗБОРУ ВІДЕОДАНИХ ІЗ ВИКОРИСТАННЯМ БПЛА - Scientific conference
Main page
UA RU EN

Congratulation from Internet Conference!

Hello

Рік заснування видання - 2011

АВТОМАТИЗОВАНА СИСТЕМА ЗБОРУ ВІДЕОДАНИХ ІЗ ВИКОРИСТАННЯМ БПЛА

12.04.2024 11:20

[1. Information systems and technologies]

Author: Бернась Зеновій Борисович, студент магістр кафедри спеціалізованих комп’ютерних систем, Західноукраїнський національний університет, Тернопіль


Кількість робіт з ідентифікації об’єктів мобільними системами моніторингу, зокрема з використанням БПЛА, стрімко збільшується в останні роки. Частина робіт присвячена етапам попередньої обробки та сегментації зображень. На першому з них використовуються машинне та глибоке навчання [2, 5]. Методи сегментації ґрунтуються на OTSU, ураження, ROILS або краях, щоб виділити область інтересу (ROI) від фону [1]. Глибокі згорткові нейронні мережі (DCNN) досягли значних успіхів у класифікації та ідентифікації об’єктів[2]. В режимі конвеєра використовується регіональний метод для виділення особливих областей із зображення, а потім передача їх до класифікації з використанням DCNN [3]. З попередньо проведеного аналізу встановлено, що архітектура CNN під назвою YOLO є одним з кращих рішень для розв’язання задачі виявлення об’єктів. Разом з тим, використання цього підходу є обчислювально-затратним. Не дивлячись на значний прогрес у розробці безпілотних літальних апаратів, мета робочої місії та характеристики середовища такі як масштаб, структурованість, погодні умови та можливість доступу до GPS суттєво впливають на конструкцію кожного модуля БПЛА [4], зокрема на сенсорні та обчислювальні платформи. Стандартним обмеженням для систем з БПЛА є неможливість виконання місій на великій відстані (кілька кілометрів) у складних екологічних умовах. Крім того, вони не можуть із заводським налаштуванням, виявляти та ідентифікувати складні об’єкти з масштабуванням, що є важливим для керування БПЛА плануванням більш інформативних траєкторій [5]. Одна з головних проблем – це точність даних, зібраних БПЛА. Для досягнення позитивних результатів, потрібно, щоб БПЛА, наприклад, мали точну карту місцевості, а також точну інформацію про різні типи об’єктів [6]. Недорогі датчики навігаційних супутникових систем GNSS [7] такі як GPS, дозволяють БПЛА отримувати геопросторове позиціонування з похибкою до 1 м. Удосконалення GNSS за допомогою наземних станцій таких як диференціальний GPS (DGPS) [8] і кінематика в реальному часі (RTK) [9], дозволяють знизити похибку до сантиметрового діапазону. 

Разом з тим, при використанні поправок необхідна наявність радіозв’язку між БПЛА і базовою станцією. Методи постоброблення такі як постоброблена кінематика (PPK) [10], можуть допомогти отримати точні вимірювання, коли немає доступного зв’язку між базовою станцією та БПЛА, але вони є порівняно складними та енергозатратними. Таким чином, проблема розробки ефективної автоматизованої системи виявлення об’єктів з використанням БПЛА є актуальною.

Дана робота націлена на автоматизований збір даних про задані  об’єкти за допомогою безпілотних літальних апаратів (БПЛА). Для цього запропоновано архітектуру розподіленої інтелектуальної системи збору та опрацювання відеозображень, отриманих із використанням БПЛА. Координати розпізнаного об’єкту визначаються за допомогою глобальної системи позиціонування. 

Предмет дослідження  відповідає потребам оборонної галузі країни, яка зацікавлена в практичній реалізації методу ефективного збору та опрацювання  даних про задані об’єкти мобільними системами моніторингу.

Список використаних джерел:

1. K. Anwar, Image convolution to obtain color ROI after segmentation process with fuzzy k-means. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 7, no. 2, pp. 376–380, 2023.

2. X. Jiang, A. Hadid, Y. Pang, et al., Deep learning in object detection and recognition, [1st ed.]. Singapore: Springer Nature, 2019. 240 p.

3. A. Dhillon, G. K. Verma, Convolutional neural network: A review of models, methodologies and applications to object detection. Progress in Artificial Intelligence, vol. 9, no. 2, pp. 85–112, 2020.

4. S. Aggarwal, N. Kumar, Path planning techniques for unmanned aerial vehicles: A review, solutions, and challenges. Computer Communications, vol. 149, pp. 270–299, 2020. 

5. A. Bouguettaya, H. Zarzour, A. M. Taberkit et al., A review on early wildfire detection from unmanned aerial vehicles using deep learning-based computer vision algorithms. Signal Processing, vol. 190, pp. 108309, 2022.

6. X. Wang, W. Li, W. Guo, K. Cao, SPB-YOLO: An efficient real-time detector for unmanned aerial vehicle images. Proceedings of the 2021 International Conference on Artificial Intelligence in Information and Communication (ICAIIC), Korea, 13–16 April 2021, pp. 99–104.

7. E. Stott, R. D. Williams, T. B. Hoey, Ground control point distribution for accurate kilometre-scale topographic mapping using an RTK-GNSS unmanned aerial vehicle and SfM photogrammetry. Drones, vol. 4, no. 3, pp. 55, 2020. 

8. G. Wu, C. Chen, N. Yang et al., Design of differential GPS system based on BP neural network error correction for precision agriculture. Proceedings of the 2019 Chinese Intelligent Automation Conference: Lecture Notes in Electrical Engineering, Singapore: Springer, vol. 568, 2020. 

9. M. Amami, Fast and reliable vision-based navigation for real time kinematic applications. International Journal for Research in Applied Science and Engineering Technology, vol. 10, no. 2, pp. 922-932, 2022. 

10. A. Pırtı, Evaluating the accuracy of post-processed kinematic (PPK) positioning technique. Geodesy and Cartography, vol. 47, no. 2, pp. 66–70, 2021.

_________________________________

Науковий керівник: Саченко Анатолій Олексійович, доктор технічних наук, професор, Західноукраїнський національний університет



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Another articles in this section

Сonferences

Conference 2024

Conference 2023

Conference 2022

Conference 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення