EUVIMEDEUVIMED entdecken
Crossref

Метод виокремлення військових об'єктів з відеопотоку даних FPV-дрона з використанням моделей машинного навчання

С. В. Здебський, М. М. Сенів

Scientific Bulletin of UNFU · 25.06.2026 · 36 (3)

DOI: 10.36930/40360303 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Scientific Bulletin of UNFU, online erschienen am 25.06.2026. Verfasst von С. В. Здебський und 1 weiteren Autor:innen. Die Arbeit nennt 18 Literaturangaben.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Проаналізовано наявні методи комп'ютерного зору та засоби машинного навчання для вирішення завдання автоматизованого виявлення та класифікації військових цілей безпілотними літальними апаратами (БПЛА). Обґрунтовано актуальність та вагомість застосування безпілотних засобів, зокрема – FPV-дронів (англ. First Person View), для виконання різноманітних бойових завдань за умов ведення сучасних бойових дій, зокрема – в контексті повномасштабного вторгнення Російської Федерації в Україну. Акцентовано увагу на проблемі вразливості БПЛА до засобів радіоелектронної боротьби, що виникла внаслідок необхідності постійного зв'язку з оператором. Окреслено одне з перспективних рішень, що базується на впровадженні засобів штучного інтелекту та комп'ютерного зору для забезпечення автономності безпілотного комплексу на завершальній стадії бойової місії, де ключовим елементом є програмне забезпечення (ПЗ) автоматизованого виокремлення цілей із відеопотоку даних з бортових сенсорів дрона. Охарактеризовано вимоги до програмного компонента бортового комплексу: оптимізація під обмежені обчислювальні ресурси периферійних бортових пристроїв, високі параметри точності виокремлення цілей, підвищені вимоги до надійності, а також мінімізація енергоспоживання обчислювального модуля як критична умова збереження автономності та польотних характеристик. Реалізовано метод, що базується на моделі машинного навчання YOLO26s та алгоритмі міжкадрового підтвердження виокремлень військових об'єктів, який формує результат на основі стійких сигналів послідовних кадрів відеопотоку даних з бортових сенсорів та виконує фільтрування хибнопозитивних результатів без істотного впливу на продуктивність. Сформовано навчальний набір даних на основі реальних фото- та відеоматеріалів, що охоплює шість класів військових об'єктів: танк, БТР-БМП, вантажівка, РСЗВ, ЗРК та комбатант. Описано використання різних методів аугментації для імітації роботи бюджетних сенсорів, умов навколишнього середовища та маскування шуканих цілей. За допомогою імплементованого методу досягнуто високих показників точності (середній mAP@50 становить 0,803±0,05, mAP@50-95 становить 0,624±0,06) за середньої тривалості інференсу 22±2 мс або 40±5 кадрів на секунду для відеопотоку даних з бортових сенсорів із роздільною здатністю 1920×1080 пікселів для апаратного комплексу Tesla T4. Апаратне забезпечення серії NVIDIA Jetson Orin запропоновано для розгортання розробленого програмного методу на борту FPV-дрона.

Zitieren

APA

Здебський, С. В., & Сенів, М. М. (2026). Метод виокремлення військових об'єктів з відеопотоку даних FPV-дрона з використанням моделей машинного навчання. Scientific Bulletin of UNFU, 36(3). https://doi.org/10.36930/40360303

Vancouver

Здебський СВ, Сенів ММ. Метод виокремлення військових об'єктів з відеопотоку даних FPV-дрона з використанням моделей машинного навчання. Scientific Bulletin of UNFU. 2026;36(3). doi:10.36930/40360303

BibTeX
@article{2026,
  author = {Здебський, С. В. and Сенів, М. М.},
  title = {Метод виокремлення військових об'єктів з відеопотоку даних FPV-дрона з використанням моделей машинного навчання},
  journal = {Scientific Bulletin of UNFU},
  year = {2026},
  volume = {36},
  number = {3},
  doi = {10.36930/40360303}
}
Kostenlos starten →