Details

В данной работе рассматриваются существующие разработки и предлагаются собственные решения в области обнаружения беспилотных летательных аппаратов (БПЛА) на изображениях с использованием нейросетевых алгоритмов и методов цифровой обработки изображений. В первом разделе работы приводится описание цели и задач конечного продукта, обзор существующих коммерческих решений и публикаций в соответствующей области, а также обоснование выбора набора инструментов и библиотек для решения поставленной задачи. Во втором разделе статьи проводится теоретическое исследование вопросов, связанных с критериями сравнения моделей, методами решения задач обнаружения и классификации, реализацией графического приложения. Также представлен новый подход к классификации БПЛА на основе их груза. В качестве нейросетевых решений для данной задачи были выбраны архитектуры VGG16 и YOLOv8, для решения задачи с использованием методов цифровой обработки изображений использовались алгоритмы Haar Cascades и SIFT. В третьем разделе работы описывается общая схема разрабатываемого приложения и код, реализующий выбранные алгоритмы и графический интерфейс; Описанные блок-схемы и код находятся в разделе приложений. В заключительном разделе статьи представлено сравнение реализованных алгоритмов и выбраны наиболее подходящие комбинации алгоритмов в зависимости от конкретной поставленной задачи: обработка потока изображений, достижение максимальной скорости обработки или достижение максимальной точности. Наконец, приводится обсуждение возможных будущих улучшений проекта в контексте данной диссертационной работы.

This work examines existing developments and proposes proprietary solutions in the field of unmanned aerial vehicle (UAV) detection in images using neural network algorithms and digital image processing techniques. The first section of the work provides a description of the goal and objectives of the final product, a review of existing commercial solutions and publications in the relevant field, as well as a justification for selecting a set of tools and libraries for solving the task. The second section of the paper is a theoretical exploration of issues related to criteria for comparing models, methods for addressing detection and classification problems, and the implementation of a graphical application. It also presents a novel approach to classifying UAVs based on their cargo. The VGG16 and YOLOv8 architectures were selected as neural network-based solutions for this task, Haar Cascades and SIFT algorithms were used to address the problem using digital image processing techniques. The third section of the work describes the overall scheme of the application under development and the code that implements the selected algorithms and graphical interface; the described flowcharts and code are located within the application section. In the final section of the paper, a comparison of the implemented algorithms is presented, and the most suitable combinations of algorithms are selected, depending on the specific task at hand: processing an image stream, achieving maximum processing speed, or achieving maximum accuracy. Finally, a discussion of possible future enhancements to the project within the context of this thesis work is provided.