РОЗРОБКА МОДЕЛІ КЛАСИФІКАЦІЇ ДАНИХ ПОВІТРЯНОЇ РОЗВІДКИ З ВИКОРИСТАННЯМ ФУНКЦІОНАЛЬНИХ МОЖЛИВОСТЕЙ ПЛАТФОРМИ ТИПУ “NO-CODE”

І. М.  Тупиця; О. І. Льова; Ю. П. Волков; Г. Б. Ейдельштейн; М. Ф. Слюсарєв

doi:10.31649/1997-9266-2026-184-1-124-132

Автор(и)

І. М. Тупиця

Харківський національний університет повітряних сил імені Івана Кожедуба ROR

О. І. Льова

Харківський національний університет повітряних сил імені Івана Кожедуба ROR

Ю. П. Волков

Харківський національний університет повітряних сил імені Івана Кожедуба ROR

Г. Б. Ейдельштейн

Харківський національний університет повітряних сил імені Івана Кожедуба ROR

М. Ф. Слюсарєв

Харківський національний університет повітряних сил імені Івана Кожедуба ROR

DOI https://doi.org/10.31649/1997-9266-2026-184-1-124-132

Ключові слова

безпілотний літальний апарат повітряна розвідка цифрове зображення оперативність достовірність штучний інтелект комп’ютерний зір класифікація

Анотація

Активний розвиток оптикоелектронних систем безпілотних авіаційних систем призвів як до суттєвого зростання масивів даних повітряної розвідки, так і вимог до процесу їх обробляння. Основні з них такі: забезпечення необхідного рівня оперативності обробки постійно зростаючих обсягів даних повітряної розвідки; необхідність у класифікації цифрових зображень в залежності від інтересів системи повітряної розвідки (району ведення повітряної розвідки; об’єктів повітряної розвідки, що локалізуються на цифрових аерофотознімках); необхідність в автоматизації окремих процесів оброблення розвідувальної інформації з метою зниження негативного впливу людського фактора на процес дешифрування; необхідність наявності у персоналу з обробки розвідувальної інформації необхідних навичок з використання сучасних інструментів інтелектуального аналізу даних.

Розробляється модель класифікації цифрових зображень, що формуються бортовими оптико-електронними системами безпілотних літальних апаратів, з метою автоматизації окремих етапів обробки даних повітряної розвідки. Суть запропонованого підходу полягає у використанні модулів (блоків) візуального програмування платформи типу “No-Code”—“Orange Data Mining” для формування моделі класифікації масивів цифрових зображень в інтересах повітряної розвідки. Використання запропонованої моделі дозволяє: забезпечити зниження вимог до професійних здібностей персоналу з обробки даних повітряної розвідки за рахунок використання інструментів візуального програмування; забезпечити можливість локального використання (з використанням станції керування та контролю БпАС) для обробки розвідувальної інформації; створити умови для формування наборів даних з метою їх подальшого анотування та формування моделей комп’ютерного зору в інтересах системи повітряної розвідки. Подальші наукові дослідження будуть спрямовані на інтеграцію запропонованого підходу до класифікації цифрових зображень в підготовці набору даних для формування моделі автоматизованого виявлення та супроводження об’єктів повітряної розвідки.

161 102

Як цитувати

[1]

«РОЗРОБКА МОДЕЛІ КЛАСИФІКАЦІЇ ДАНИХ ПОВІТРЯНОЇ РОЗВІДКИ З ВИКОРИСТАННЯМ ФУНКЦІОНАЛЬНИХ МОЖЛИВОСТЕЙ ПЛАТФОРМИ ТИПУ “NO-CODE” », Вісник ВПІ, вип. 1, с. 124–132, Лют 2026, doi: 10.31649/1997-9266-2026-184-1-124-132.

Завантажити посилання

Біографії авторів

автор І. М. Тупиця, афіліація Харківський національний університет повітряних сил імені Івана Кожедуба

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

автор О. І. Льова, афіліація Харківський національний університет повітряних сил імені Івана Кожедуба

заступник начальника кафедри експлуатації та застосування безпілотних авіаційних систем та комплексів повітряної розвідки

автор Ю. П. Волков, афіліація Харківський національний університет повітряних сил імені Івана Кожедуба

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

автор Г. Б. Ейдельштейн, афіліація Харківський національний університет повітряних сил імені Івана Кожедуба

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

автор М. Ф. Слюсарєв, афіліація Харківський національний університет повітряних сил імені Івана Кожедуба

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

Посилання

Ultralytics YOLO models. Ultralytics, website. [Electronic resource]. Available: https://www.ultralytics.com/yolo . Accessed: 12.11.2025.

Accelerating YOLO11 Projects with Google Colab. Ultralytics, website. [Electronic resource]. Available: https://docs.ultralytics.com/ru/integrations/google-colab/#what-are-the-advantages-of-using-google-colab-for-training-yolo11-models . Accessed: 12.11.2025.

Explore the Roboflow Universe. Roboflow, website. [Electronic resource]. Available: https://universe.roboflow.com , Accessed: 15.11.2025.

Машинне навчання. Colab, website. [Electronic resource]. Available: https://colab.research.google.com/#scrollTo=OwuxHmxllTwN , Accessed: 15.11.2025.

Models Supported by Ultralytics. Ultralytics, website. [Electronic resource]. Available: https://docs.ultralytics.com/ru/models , Accessed: 15.11.2025.

One platform to deploy computer vision. Start today. Roboflow, website. [Electronic resource]. Available: https://roboflow.com/pricing . Accessed: 15.11.2025.

Colab Enterprise pricing. Colab, website. [Electronic resource]. Available: https://cloud.google.com/colab/pricing?authuser=0 . Accessed: 15.11.2025.

J. Benjak, and D. Hofman, “4K Video Coding Efficiency in UAV Systems,” 45th Jubilee International Convention on Information, Communication and Electronic Technology (MIPRO), 2022, pp. 470-475. https://doi.org/10.23919/MIPRO55190.2022.9803366 .

N. H. P. Dai, K. Hidawi, B. Carminati, and E. Ferrari, “Big Data-Driven UAV Regulatory Compliance: Frameworks, Challenges, and Opportunities,” in IEEE Transactions on Big Data. https://doi.org/10.1109/TBDATA.2025.3627501 .

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 .

І. М. Тупиця, С. О. Кібіткін, В. М. Cухотеплий, Д. М. Непокритов, і Д. В. Конов, «Метод реконструкції відеозображень для підвищення ефективності доставки в інфокомунікаційних системах аеросегмента,” Вісник Вінницького політехнічного інституту, №4, с. 72-82, 2022. https://doi.org/10.31649/1997-9266-2022-163-4-72-82.

S. Jagadish, G. Singh, and J. Kaur, “Military Aircraft Identification Using VGG-16: A Deep Learning Approach to Multi-Class Classification,” 6th International Conference for Emerging Technology (INCET). Conference Proceedings, Belgaum, India, 2025, pp. 1-5. https://doi.org/10.1109/INCET64471.2025.11140808 .

J. Park, and H. Moon, “Lightweight Mask RCNN for Warship Detection and Segmentation,” in IEEE Access, vol. 10, pp. 24936-24944, 2022. https://doi.org/10.1109/ACCESS.2022.3149297 .

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

I. M. Tupitsya, V. M. Kryvonos, S. O. Kibitkin, B. M. Ivashchuk, О. Yu. Drol, and V. A. Shtanko, “Model of automated processing of air reconnaissance data in the conditions of application of unmanned aviation systems,” Scientific Works of Kharkiv National Air Force University, no. 2(84), pp. 141-149, 2025. https://doi.org/10.30748/zhups.2025.84.16 .

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 Вінницького політехнічного інституту, № 3, c. 140-146, 2025. https://doi.org/10.31649/1997-9266-2025-180-3-140-146 .

Data Mining Fruitful and Fun. Open source machine learning and data visualization. Orangedatamining, website. [Electronic resource]. Available: https://orangedatamining.com/ . Accessed: 10.09.2025.

Suggested Download. Orangedatamining, website. [Electronic resource]. Available: https://orangedatamining.com/download/ Accessed 10.09.2025.

Orange Data Mining. Youtube, website. [Electronic resource]. Available: https://www.youtube.com/channel/UClKKWBe2SCAEyv7ZNGhIe4g . Accessed: 10.09.2025.

Visual Programming. Orangedatamining, website. [Electronic resource]. Available: https://orangedatamining.com/home/visual-programming/ . Аccessed: 10.09.2025.

Image Analytics: Clustering. Orangedatamining, website. [Electronic resource]. Available: https://orangedatamining.com/blog/image-analytics-clustering/ . Accessed: 10.09.2025.

Widget Catalog. Orangedatamining, website. [Electronic resource]. Available: https://orangedatamining.com/widget-catalog/ . Accessed: 10.09.2025.

Malicious Drones. Drone Image Classification Dataset. Kaggle, website. [Electronic resource]. Available: https://www.kaggle.com/datasets/sonainjamil/malicious-drones/data . Accessed: 10.09.2025.