Система виявлення військових об’єктів на динамічних зображеннях на основі архітектур нейронний мереж

Abstract

Актуальність даного дослідження полягає у необхідності підвищення ефективності та точності виявлення військових об’єктів з дронів на полі бою, проектуванню гібридної системи на основі навчених моделей нейронних мереж для виконання поставленої задачі по виявленню об’єктів. Це дозволить автоматизувати процес ідентифікації різних військових об'єктів, що може стати критично важливим інструментом під час військових операцій для підвищення обізнаності та ефективності командування. Об’єктом дослідження є процеси розпізнавання об’єктів на зображення та відео у реальному часі. Предметом дослідження є моделі та архітектури нейронних мереж для задачі розпізнавання військових об’єктів. Метою роботи є вдосконалення точності, ефективності та швидкості архітектур нейронних мереж для задачі розпізнавання військових об’єктів за рахунок оптимізації гіперпараметрів та створення гібридної системи на основі навчених моделей. В результаті виконання роботи було досліджено сучасні архітектури нейронних мереж та виконано порівняльний аналіз їх ефективності у відповідній задачі. Створено унікальний датасет з зображеннями військових об’єктів та техніки отриманих з дронів. Проаналізовано вплив гіперпараметрів на ефективність та точність архітектур Faster R-CNN та YOLOv11, визначені основні їх переваги та недоліки, а також розроблено систему на основі цих моделей для підвищення загальної точності (mAP50) при роботі в реальному часі. Дана робота складається з чотирьох розділів. Кожен розділ відповідно присвячений: огляду предметної області та постановці задачі; методам та архітектурам нейронних мереж для виконанню поставленої мети; навчанню моделей нейронних мереж та порівнянню їх ефективності; використання найбільш підходящих моделей для реалізації системи виявлення військових об’єктів на динамічних зображення; аналізу результатів та виявлення недоліків. Загальний обсяг роботи – 96 сторінок. Кваліфікаційна робота містить 1 додаток, 35 рисунків, 5 таблиць і 49 джерел посилання. The relevance of this research lies in the necessity to improve the efficiency and accuracy of detecting military objects from drones on th e battlefield. The goal is to design a hybrid system based on trained neural network models to accomplish the task of object detection. This will enable the automation of identifying various military objects, which could become a critically important tool during military operations, enhancing situational awareness and the efficiency of command decision-making. An object of research is the processes of real-time object recognition in images and videos. A subject of the research is the models and architectures of neural networks for the task of military object recognition. A purpose of the is to improve the accuracy, efficiency, and speed of neural network architectures for military object recognition tasks by optimizing hyperparameters and creating a hybrid system based on trained models. As a result of the work, modern neural network architectures were examined, and a comparative analysis of their efficiency in the task was conducted. A unique dataset of images featuring military objects and equipment captured by drones was created. The impact of hyperparameters on the efficiency and accuracy of the Faster R-CNN and YOLO11 architectures was analyzed, their key advantages and disadvantages were identified, and a system was developed based on these models to improve the overall accuracy (mAP50) during real-time operations. This work consists of four sections. Each of them is devoted to: a review of the subject area and problem formulation; methods and neural network architectures for achieving the research objectives; training neural network models and comparing their efficiency; utilizing the most suitable models for implementing a system for detecting military objects in dynamic images; analyzing the results and identifying shortcomings. The overall scope of the work is 96 pages. Thesis contains 1 application, 35 figures, 5 tables and 49 references in it.