АЛГОРИТМ ФОРМУВАННЯ МОДЕЛІ КОМП’ЮТЕРНОГО ЗОРУ В ІНТЕРЕСАХ СИСТЕМИ ПОВІТРЯНОЇ РОЗВІДКИ

Автор(и)

  • І. М. Тупиця Харківський національний університет Повітряних Сил імені Івана Кожедуба
  • Б. М. Іващук Харківський національний університет Повітряних Сил імені Івана Кожедуба
  • Ю. П. Волков Харківський національний університет Повітряних Сил імені Івана Кожедуба
  • М. В. Пархоменко Харківський національний університет Повітряних Сил імені Івана Кожедуба
  • О. Г. Галепа Харківський національний університет Повітряних Сил імені Івана Кожедуба

DOI:

https://doi.org/10.31649/1997-9266-2025-180-3-140-146

Ключові слова:

безпілотний літальний апарат, повітряна розвідка, об’єкт інтересу, цифрове зображення, оперативність, достовірність, штучний інтелект, комп’ютерний зір

Анотація

Суттєве зростання трафіку даних, що формуються з використанням безпілотних авіаційних систем і передаються до станції керування та контролю, викликало зростання вимог, які висуваються до процесу збору та обробки даних повітряної розвідки. До основних з них відносяться оперативність обробки даних аеромоніторингу та достовірність даних повітряної розвідки. В зв’язку з чим, актуальним є питання інтеграції в процес обробки розвідувальної інформації технологій комп’ютерного зору та штучного інтелекту. Формуються вимоги до моделі комп’ютерного зору в інтересах системи повітряної розвідки, основні серед яких такі: забезпечення автоматизованого виявлення та класифікації об’єктів інтересу на цифрових зображеннях (відеокадрах); забезпечення необхідного рівня оперативності обробки даних повітряної розвідки; забезпечення можливості трансформації моделі комп’ютерного зору; забезпечення необхідного рівня достовірності даних повітряної розвідки в умовах застосування БпАС; врахування професійних компетентностей фахівців зі збору та обробки розвідувальної інформації; простота алгоритмічної реалізації; оперативність формування моделі.

Розробляється алгоритм формування моделі комп’ютерного зору в інтересах системи повітряної розвідки для підвищення оперативності оброблення даних аеромоніторингу в у мовах забезпечення необхідного рівня їхньої достовірності. Відмінною рисою запропонованого алгоритму є врахування рівня підготовки оператора та обчислювальних потужностей безпілотного авіаційного комплексу (станції керування та контролю) для формування моделі комп’ютерного зору. Це дозволяє вибрати один з двох підходів для тренування моделі (автономний, використання ресурсів відкритих веб-платформ), що також дозволяє створити умови для підвищення оперативності обробки даних аеромоніторингу в у мовах забезпечення необхідного рівня їхньої достовірності. Подальші наукові дослідження будуть спрямовані на оцінку ефективності використання запропонованого підходу з позиції підвищення автономності безпілотних авіаційних систем в інтересах системи повітряної розвідки.

Біографії авторів

І. М. Тупиця, Харківський національний університет Повітряних Сил імені Івана Кожедуба

д-р філософії, старший викладач кафедри експлуатації та застосування безпілотних авіаційних систем та комплексів повітряної розвідки

Б. М. Іващук, Харківський національний університет Повітряних Сил імені Івана Кожедуба

 канд. техн. наук, доцент, начальник інженерно-авіаційного факультету

Ю. П. Волков, Харківський національний університет Повітряних Сил імені Івана Кожедуба

канд. техн. наук, заступник начальника інженерно-авіаційного факультету;

М. В. Пархоменко, Харківський національний університет Повітряних Сил імені Івана Кожедуба

канд. техн. наук, доцент кафедри бойового застосування та експлуатації автоматизованих систем управління

О. Г. Галепа, Харківський національний університет Повітряних Сил імені Івана Кожедуба

викладач кафедри експлуатації та застосування безпілотних авіаційних систем та комплексів повітряної розвідки

Посилання

A. Telili, I. Farhat, W. Hamidouche, and H. Amirpour, “ODVISTA: An Omnidirectional Video Dataset for Super-Resolution and Quality Enhancement Tasks,” IEEE International Conference on Image Processing (ICIP), 2024, pp. 131-136. http;//doi.org/10.1109/ICIP51287.2024.10647612 .

X. Li, and J. Wu, “Developing a More Reliable Framework for Extracting Traffic Data From a UAV Video,” IEEE Transactions on Intelligent Transportation Systems, vol. 24, no. 11, pp. 12272-12283, 2023. https://doi.org/10.1109/TITS.2023.3290827 .

Ю. В. Стасєв, І. М. Тупиця, і М. В. Пархоменко, «Метод додаткового скорочення структурної надмірності кодового представлення відеоданих,» Вісник Вінницького політехнічного інституту, № 3, с. 67-76, 2022. https://doi.org/10.31649/1997-9266-2022-162-3-67-76 .

Y. Liang, T. Jia, X. Liu, and H. Zhang, “Image Compression Algorithm Based on Region of Interest Extraction for Unmanned Aerial Vehicles Communication,” IEEE 8th Information Technology and Mechatronics Engineering Conference (ITOEC), 2025, pp. 648-652. https://doi.org/10.1109/ITOEC63606.2025.10967764 .

D. Karlov, I. Tupitsya, and М. Parkhomenko, Methodology of increasing the reliability of video information in infocommunication networks aerosegment. Radio Electronics, Computer Science, Control. 2022. No. 3. P. 120−132. https://doi.org/10.15588/1607−3274−2022−3−12.

D. Karlov, I. Tupitsya, М. Parkhomenko, O. Musienko, and A. Lekakh, “Compression Coding Method Using Internal Restructuring of Information,” Space. International Journal of Computing, vol. 21, no. 3, pp. 360-368, 2022. https://doi.org/10.47839/ijc.21.3.2692 .

I. Tupitsya, I. Deinezhenko, Ye. Kryzhanivskyi, M. Parkhomenko, Yu. Volkov, and G. Eidelstein, “Method of Automating the Process of Object Detection to Increase the Efficiency of Deciphering Aerial Reconnaissance Data,” Information Processing Systems, № 2 (173), pp. 63-73, 2023. https://doi.org/10.30748/soi.2023.173.08 .

I. Tupіtsya, V. Kryvonos, S. Kibitkin, L. Ivashchuk, and A. Bielivtsov, “The Conceptual Model of the Automation of Deciphering Aerial Reconnaissance Data Using Artificial Intelligence System Technologies,” Systems of Arms and Military Equipment, № 1 (73), pp. 76-82, 2023. https://doi.org/10.30748/soivt.2023.73.09 .

P. Y. Ingle, Y. Kim, and Y.-G. Kim, “DVS: A Drone Video Synopsis towards Storing and Analyzing Drone Surveillance Data in Smart Cities,” Systems, vol. 10, no. 5, 10(5), pp. 170, 2022. https://doi.org/10.3390/systems10050170 .

A. Gohari, A. Ahmad, R. Rahim, A. Supa’at, S. Razak, and M. Gismalla, “Involvement of Surveillance Drones in Smart Cities: A Systematic Review,” IEEE Access , vol. 10, pp. 56611-56628, 2022. https://doi.org/10.1109/ACCESS.2022.3177904 .

M. Bakirci, and I. Bayraktar, “Integrating UAV-Based Aerial Monitoring and SSD for Enhanced Traffic Management in Smart Cities,” Mediterranean Smart Cities Conference (MSCC), 2024, pp. 1-6. http://doi.org/10.1109/MSCC62288.2024.10696996.

S. Shilaskar, V. Shelke, S. Bhatlawande, P. Shinde, and K. Shintre, “Robust Criminal Identification System for Recognition of Obscure and Hidden Faces,” 2nd International Conference on Futuristic Technologies (INCOFT), 2023, pp. 1-6. http://doi.org/ 10.1109/INCOFT60753.2023.10425451 .

S. Divya, J. T, and A. V. A. Geo, “Innovative Approaches to Criminal Identification Using Real Time Facial Recognition,” 6th International Conference on Mobile Computing and Sustainable Informatics (ICMCSI), 2025, pp. 1694-1700. http://doi.org/10.1109/ICMCSI64620.2025.10883092 .

S. N. Rafek, S. N. K. Kamarudin, and Y. Mahmud, “Deep Learning-Based Car Plate Number Recognition (CPR) in Videos Stream,” 5th International Conference on Artificial Intelligence and Data Sciences (AiDAS), 2024, pp. 538-543. http://doi.org/10.1109/AiDAS63860.2024.10730590 .

W. Furong, L. Yixing, and H. Long, “An Image SVD Compression Algorithm for UAV Based on Region of Interest,” International Conference on Autonomous Unmanned Systems (ICAUS 2022), Lecture Notes in Electrical Engineering, vol. 1010. https://doi.org/10.1007/978-981-99-0479-2_301 .

M. Bakirci, and I. Bayraktar, “Comparative Performance of YOLOv9 and YOLOv10 for Vehicle Detection Towards Real-Time Traffic Surveillance with UAVs,” 21st International Conference on Electrical Engineering, Computing Science and Automatic Control (CCE), 2024, pp. 1-6. http://doi.org/10.1109/CCE62852.2024.10771048 .

F. A. Amarcha, A. Chehri, A. Jakimi, M. Bouya, R. Ahl Laamara, and R. Saadane, “Drones Optimization for Public Transportation Safety: Enhancing Surveillance and Efficiency in Smart Cities,” IEEE World Forum on Public Safety Technology (WFPST), pp. 153-158, 2024. http://doi.org/10.1109/WFPST58552.2024.00023 .

A. Singh, and R. K. Tiwari, “AIGuard: Criminal Tracking in CCTV Footage Using MTCNN and ResNet,” 14th International Conference on Cloud Computing, Data Science & Engineering (Confluence), 2024, pp. 31-35. http://doi.org/10.1109/Confluence60223.2024.10463292 .

R. Srinivasan, D. Rajeswari, A. Arivarasi, and A. Govindasamy, “Real-Time Vehicle Classification and License Plate Recognition via Deformable Convolution-Based Yolo V8 Network,” IEEE Sensors Journal, vol. 24, no. 23, pp. 39771-39778, 2024. http://doi.org/10.1109/JSEN.2024.3453498.

I. Valova, T. Kaneva, and N. Valov, “Conceptual Model of a Parking System with Automatic License Plate Recognition,” IEEE 30th International Symposium for Design and Technology in Electronic Packaging (SIITME), 2024, pp. 168-173. http://doi.org/10.1109/SIITME63973.2024.10814907 .

I. Tupitsya, V. Kryvonos, I. Gavura, and D. Vasiekin, “Software and hardware module for automated detection and recognition of interest objects to increase the level of processing efficiency and reliability of aerial reconnaissance data,” Automation of Technological and Business Processes, № 16 (1), pp. 61-71, 2024. https://doi.org/10.15673/atbp.v16i1.2773 .

H. Aljzaere, A. C. Nath, and W. Hardt, “German License Plate Recognition System Using the YoloV8 Model and EasyOCR,” IEEE CPMT Symposium Japan (ICSJ), pp. 176-179, 2024. http://doi.org/10.1109/ICSJ62869.2024.10804754 .

M. Bakirci, and I. Bayraktar, “The Cutting-Edge YOLO11 for Advanced Aircraft Detection in Synthetic Aperture Radar (SAR) Imagery,” 8th International Symposium on Innovative Approaches in Smart Technologies (ISAS), 2024, pp. 1-6. http://doi.org/10.1109/ISAS64331.2024.10845222 .

The updated Bayraktar TB2T-AI attack drone has artificial intelligence. Hi-tech, web site. [Electronic resource]. Available: https://hi-tech.ua/en/the-updated-bayraktar-tb2t-ai-attack-drone-has-artificial-intelligence . Accessed: 25.02.2025.

The new version of the Bayraktar TB2T-AI has a turbo engine and improved AI. Dev, web site. [Electronic resource]. Available: https://dev.ua/en/news/rozumnyi-bairaktar-1740389540 . Accessed: 24.02.2025.

Powered by articial intelligence and a turbo engine, Bayraktar TB2T-AI UCAV takes to the skies. Baykartech, web site. URL: https://baykartech.com/en/press/powered-by-articial-intelligence-and-a-turbo-engine-bayraktar-tb2t-ai-ucav-takes-to-the-skies . Accessed: 24.02.2025.

Artificial intelligence. Baykartech, web site. [Electronic resource]. Available: https://baykartech.com/en/artificial-intelligence. Accessed: 10.03.2025.

UAS Solutions for the Modern World. Trakkasystems, web site. [Electronic resource]. Available: https://trakkasystems.com/unmanned/?utm_source=mv&utm_medium=search&utm_campaign=intent&customer_id=546-629-9909&gad_source=1&gbraid=0AAAAAood8-LhREC1K-BQmvuRsWqgK-NYw&gclid=Cj0KCQjwiLLABhCEARIsAJY S6ulbIeTxISglVgC3YJEJzhAjlb6AvXq4Fg9cBb39YGFiPsQXlRS1QuwaAmNjEALw_wcB&gclsrc=aw.ds. Accessed: 24.03.2025.

The Top 29 Drone Companies in 2025. Thedroneu, web site. [Electronic resource]. Available: https://www.thedroneu.com/blog/top-drone-companies/. Accessed: 24.03.2025.

Secure Revolutionary ISR Advantages. Avinc , web site. [Electronic resource]. Available: https://www.avinc.com/uas . Accessed: 24.03.2025.

##submission.downloads##

Переглядів анотації: 59

Опубліковано

2025-06-27

Як цитувати

[1]
І. М. . Тупиця, Б. М. Іващук, Ю. П. Волков, М. В. Пархоменко, і О. Г. Галепа, «АЛГОРИТМ ФОРМУВАННЯ МОДЕЛІ КОМП’ЮТЕРНОГО ЗОРУ В ІНТЕРЕСАХ СИСТЕМИ ПОВІТРЯНОЇ РОЗВІДКИ», Вісник ВПІ, вип. 3, с. 140–146, Черв. 2025.

Номер

Розділ

Інформаційні технології та комп'ютерна техніка

Метрики

Завантаження

Дані завантаження ще не доступні.