Застосування нейромережевих технологій для виявлення підводних боєприпасів

Автор(и)

DOI:

https://doi.org/10.20535/S0021347023030020

Ключові слова:

дистанційно керований підводний апарат, ДКПА, нейромережа, YOLO3, YOLO4, YOLO5, Object Detection, багатопрохідна обробка

Анотація

В статті обґрунтовані пропозиції щодо застосування нейронних мереж родини YOLO для виявлення підводних боєприпасів, що не спрацювали. При цьому використані попередньо навчені на датасеті MS COCO нейронні мережі YOLO3, YOLO4 та YOLO5. Донавчання нейромереж YOLO3 і YOLO4 здійснювалося на модифікованому датасеті підводного сміття Trash-ICRA19, кількість класів об’єктів у якому становила 13, з яких 2 були фіктивними. При цьому середньокласова точність детектування 13 класів об'єктів за допомогою YOLO4 у метриці mAP50 становила 75,2% або 88,9% з урахуванням фіктивних класів. Для тестування нейромереж використані зображення, отримані з відеозаписів процесу розмінування водойм за допомогою дистанційно керованих підводних апаратів (ДКПА). Запропоновано удосконалену схему нейронної мережі, що являє собою каскад з кількох послідовно з’єднаних YOLO-сегментів з багатопрохідною обробкою зображень, а також тензорно-матричний опис механізму уваги. Розроблені рекомендації щодо подальшого підвищення ефективності нейромережевого методу селекції підводних боєприпасів.

Біографія автора

Вадим Іванович Слюсар, Київ

He is included in the book "Who's Who in the World" Scopus author ID: 7004240035 iD ORCID: http://orcid.org/0000-0002-2912-3149

Посилання

Espresso.tv, “Піротехніки розміновують водойми на Київщині,” Youtube канал Espresso.tv, 2022. https://www.youtube.com/watch?v=TxL8MQhBWnU.

5-й Канал, “Атрибути ‘русского міра’: як сапери розміновують село Горенка під Києвом,” Youtube канал 5.tv, 2022. https://www.youtube.com/watch?v=Jd4nWc4apTQ.

V. Slyusar et al., “Improving the model of object detection on aerial photographs and video in unmanned aerial systems,” Eastern-European J. Enterp. Technol., vol. 1, no. 9(115), pp. 24–34, 2022, doi: https://doi.org/10.15587/1729-4061.2022.252876.

M. S. Fulton, J. Hong, J. Sattar, “Trash-ICRA19: A Bounding Box Labeled Dataset of Underwater Trash,” 2020. doi: https://doi.org/10.13020/x0qn-y082.

M. Fulton, J. Hong, M. J. Islam, J. Sattar, “Robotic detection of marine litter using deep visual detection models,” in 2019 International Conference on Robotics and Automation (ICRA), 2019, pp. 5752–5758, doi: https://doi.org/10.1109/ICRA.2019.8793975.

C. H. Lampert, H. Nickisch, S. Harmeling, “Attribute-based classification for zero-shot visual object categorization,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 36, no. 3, pp. 453–465, 2014, doi: https://doi.org/10.1109/TPAMI.2013.140.

K. Jang et al., “Simulation to scaled city: zero-shot policy transfer for traffic control via autonomous vehicles,” in Proceedings of the 10th ACM/IEEE International Conference on Cyber-Physical Systems, 2019, pp. 291–300, doi: https://doi.org/10.1145/3302509.3313784.

N. O. Salscheider, “FeatureNMS: Non-maximum suppression by learning feature embeddings,” in 2020 25th International Conference on Pattern Recognition (ICPR), 2021, pp. 7848–7854, doi: https://doi.org/10.1109/ICPR48806.2021.9412930.

D. Bahdanau, K. Cho, Y. Bengio, “Neural machine translation by jointly learning to align and translate,” 2015. doi: https://doi.org/10.48550/arXiv.1409.0473.

V. I. Slyusar, “A family of face products of matrices and its properties,” Cybern. Syst. Anal., vol. 35, no. 3, pp. 379–384, 1999, doi: https://doi.org/10.1007/BF02733426.

V. Slyusar et al., “Improving a neural network model for semantic segmentation of images of monitored objects in aerial photographs,” Eastern-European J. Enterp. Technol., vol. 6, no. 2 (114), pp. 86–95, 2021, doi: https://doi.org/10.15587/1729-4061.2021.248390.

K. Liu, L. Peng, S. Tang, “Underwater object detection using TC-YOLO with attention mechanisms,” Sensors, vol. 23, no. 5, p. 2567, 2023, doi: https://doi.org/10.3390/s23052567.

В. І. Слюсар, “Архітектурно-математичні основи удосконалення нейронних мереж з класифікації зображень,” Штучний інтелект, vol. 27, no. 1, pp. 245–258, 2022, doi: https://doi.org/10.15407/jai2022.01.245.

V. Slyusar, “The role of Artificial Intelligence in cross-platform tailoring of AR data,” in VIII International Scientific and Practical Conference, 2020, doi: https://doi.org/10.13140/RG.2.2.22122.13760.

M. O. D. UK, “SAPIENT Interface Control Document. DSTL/PUB145591, 01-Feb-2023,” 2023. uri: https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1144352/SAPIENT_Interface_Control_Document_v7_FINAL__fixed2_.pdf.

M. O. D. UK, “SAPIENT autonomous sensor system. Last updated 20 April 2023,” 2023. uri: https://www.gov.uk/guidance/sapient-autonomous-sensor-system.

N. Barman, N. Khan, M. G. Martini, “Analysis of spatial and temporal information variation for 10-bit and 8-bit video sequences,” in 2019 IEEE 24th International Workshop on Computer Aided Modeling and Design of Communication Links and Networks (CAMAD), 2019, pp. 1–6, doi: https://doi.org/10.1109/CAMAD.2019.8858486.

A. Mauri, R. Khemmar, B. Decoux, M. Haddad, R. Boutteau, “Real-time 3D multi-object detection and localization based on deep learning for road and railway smart mobility,” J. Imaging, vol. 7, no. 8, p. 145, 2021, doi: https://doi.org/10.3390/jimaging7080145.

В. И. Слюсар, “Концепция виртуализации поля боя 2050 года,” Озброєння та військова техніка, no. 3, pp. 111–112, 2021, doi: https://doi.org/10.34169/2414-0651.2021.3(31).111-112.

Розмір боксу при використанні трьох проходів

##submission.downloads##

Опубліковано

2023-11-18 — Оновлено 2022-12-26

Як цитувати

Слюсар, В. І. (2022). Застосування нейромережевих технологій для виявлення підводних боєприпасів. Вісті вищих учбових закладів. Радіоелектроніка, 65(12), 766–777. https://doi.org/10.20535/S0021347023030020

Номер

Розділ

Оригінальні статті