Новий метод виявлення літаків українських науковців підвищив точність до 99,4%

Українські дослідники з Дніпровського університету технологій розробили інноваційний метод виявлення літаків на супутникових зображеннях високої роздільної здатності, який суттєво підвищив точність розпізнавання об’єктів. Робота під назвою «Aircraft Detection with Deep Neural Networks and Contour-Based Methods» була опублікована в журналі «Radio Electronics, Computer Science, Control» у 2024 році. Авторами дослідження стали аспірант Радіонов Ю.Д., доцент Каштан В.Ю., професор Гнатушенко В.В. та аспірант Казимиренко О.В. Усі вони працюють на кафедрі інформаційних технологій та комп’ютерної інженерії цього університету в місті Дніпро.

Метод спрямований на вирішення актуальної проблеми в оборонній сфері — швидкого й точного виявлення літаків для моніторингу повітряного простору та забезпечення національної безпеки. Завдяки поєднанню глибинних нейронних мереж і техніки послідовного обходу меж об’єктів дослідники досягли вражаючих результатів: середня точність (mAP50) склала 99,4%, а показник mAP50−95 — 86,4%. Це на 1% і 4,8% вище, ніж у стандартних підходів без попередньої обробки зображень.

Дослідження проводилося в кілька етапів. Спочатку вчені зібрали дані з набору HRPlanesv2, який містить 2120 супутникових зображень від Google Earth із 14 335 анотованими літаками. Цей набір розподілили на три частини: 70% для навчання, 20% для валідації та 10% для тестування. На другому етапі зображення обробляли за допомогою алгоритму виявлення контурів, реалізованого в бібліотеці OpenCV. Цей алгоритм, заснований на техніці обходу меж, дозволив виділити об’єкти за їхньою інтенсивністю та кольором, що полегшило подальше розпізнавання.

Наступним кроком стало створення тренувального набору даних шляхом накладання отриманих контурів на оригінальні зображення HRPlanesv2. Це дало змогу підкреслити межі літаків і приглушити фоновий шум, який часто ускладнює аналіз супутникових знімків через мінливі умови освітлення чи складний ландшафт. На останньому етапі дослідники застосували модель виявлення об’єктів YOLOv8m, яку тренували окремо на оригінальному наборі даних і на наборі з попередньою обробкою. Порівняння результатів показало, що додавання контурного аналізу значно підвищило ефективність моделі.

Чому цей підхід виявився настільки результативним? За словами авторів, ключовим фактором стала здатність контурного аналізу чітко виділяти об’єкти на зображеннях, що дало нейромережі більше якісних ознак для роботи. Наприклад, у порівнянні з класичними методами, такими як алгоритм Canny чи фільтр Собеля, техніка послідовного обходу меж продемонструвала найкращі показники. Зокрема, точність (Precision) досягла 0,996, а середня точність при порозі IoU 0,5 (mAP50) — 0,994. Для порівняння, необроблені зображення показали mAP50 на рівні 0,991, а методи Laplacian і Sobel поступилися за всіма метриками.

Як зазначають дослідники, проблема розпізнавання літаків на супутникових знімках полягає в їхній складності: мінливі фони, розмиті краї та велика кількість даних ускладнюють роботу навіть найсучасніших моделей машинного навчання. У військовій сфері це питання набуває особливої ваги, адже швидке реагування на потенційні загрози залежить від точності й оперативності аналізу. Обсяг візуальної інформації, що надходить від супутників і безпілотників, давно перевищує можливості людських аналітиків, тому автоматизація таких процесів є необхідністю.

Експерименти проводилися з використанням різних технік попередньої обробки, включно з Canny, Laplacian, Sobel і комбінацією Canny-Laplacian. Результати засвідчили, що хоча деякі методи, як-от Canny, виявилися менш ефективними через шум у зображеннях, техніка обходу меж дала стабільно високі показники. Наприклад, матриця помилок показала зменшення кількості хибнопозитивних результатів із 71 до 31 після застосування нового методу, хоча кількість хибнонегативних зросла з 34 до 45. Це вказує на певний компроміс між точністю та повнотою виявлення.

Хто може скористатися цими результатами? Насамперед технологія має потенціал для використання в оборонних системах, де потрібен постійний моніторинг повітряного простору. Крім того, вона може знайти застосування в цивільних сферах, таких як екологічний моніторинг чи управління авіаційним рухом. Дослідження проводилося в лабораторних умовах Дніпровського університету технологій, але автори наголошують на його практичній значущості та можливості інтеграції в реальні системи.

Як розробляли метод? Учені обрали YOLOv8m через її оптимальне співвідношення між складністю (295 шарів і 25,9 мільйона параметрів) і продуктивністю. Архітектура моделі складається з базової мережі для вилучення ознак і «голови» для прогнозування координат об’єктів, їхньої присутності та ймовірності класів. Попередня обробка зображень стала вирішальним кроком, який дозволив адаптувати модель до специфіки супутникових даних.

Дослідники також порівняли свій підхід із попередніми роботами в цій галузі. Наприклад, модифікація YOLOv5 у 2021 році дала приріст точності на 3,5%, а YOLO-extract скоротив обчислювальні витрати й підвищив mAP на 8,1%. Проте новий метод із контурним аналізом перевершив ці показники за точністю, що робить його конкурентоспроможним на тлі світових розробок. Перспективи подальших досліджень включають удосконалення методів обробки зображень і тестування на ширшому спектрі даних для підвищення універсальності підходу.