Розпізнавання органічного камуфляжу за допомогою нейронних мереж



DOI: http://dx.doi.org/10.31548/energiya2(72).2024.079

A. Dudnyk, S. Shvorov, O. Opryshko, N. Pasichnyk, O. Kysliak

Анотація


Безпілотні літальні апарати (БПЛА) стають все більш важливими для військових операцій, включаючи розвідку, надання підтримки на полі бою та виконання різноманітних місій. Можливість атаки цілей з використанням групи БПЛА підсилює актуальність заходів щодо захисту, зокрема, маскування. У літературному огляді висвітлено досвід використання БПЛА в військових сферах діяльності та їх високу ефективність у розвідці та підтримці на полі бою. В умовах дії засобів радіоелектронної боротьби в якості пріоритетного напрямку навігації БПЛА розглянуто візуальну орієнтацію на місцевості з використанням високої роздільної здатності зображень. На основі гібридних згорткових нейронних мереж серійно випускається апаратне забезпечення для роботи з платформою БПЛА. Пропонується використання ліан для маскування стаціонарних об'єктів у зв'язку з їх швидким ростом і відповідним співвідношенням якість/вартість. Метою роботи є перевірка ефективності маскування невеликих об’єктів з використанням трав'янистих та витких рослин щодо перспектив їх ідентифікації оптичними засобами. Дослідження проводились з використанням власних даних, отриманих від БПЛА у видимому діапазоні на дослідних полях і ботанічному саду НУБіП України та на знімках споруд з мережі інтернет. Експериментально встановлено, що різноманітність форм, розмірів та структур рослинних насаджень ускладнює процес розпізнавання для згорткових нейронних мереж. Вигляд рослин може значно змінюватися залежно від кута зйомки, освітлення та стану мінерального живлення. Органічний камуфляж у вигляді трав та ліан може повністю або частково приховувати будівлі та структури, змінюючи їх яскравість та контур. Це може призвести до затемнення деталей та збільшити ризик помилкового розпізнавання об'єктів. Наприклад, споруди, вкриті ліанами Aristolochia manshuriensis Kom., були правильно розпізнані лише у 27 % випадків із використанням нейронної мережі. Згорткові нейронні мережі потребують значної кількості даних для навчання, якщо метою є досягнення високої точності. Проте, якщо дані з об'єктами, вкритими ліанами, обмежені або недоступні, процес навчання може бути недостатнім, що може вплинути на здатність мережі до точного розпізнавання таких об'єктів.

Ключові слова: органічний камуфляж, БАЛА, згорткові нейронні мережі, ліани


Повний текст:

PDF

Посилання


G. Raja, Y. Baskar, P. Dhanasekaran, R. Nawaz and K. Yu. (2021). An Efficient Formation Control mechanism for Multi-UAV Navigation in Remote Surveillance. 2021 IEEE Globecom Workshops (GC Wkshps), Madrid, Spain. pp. 1-6, doi: 10.1109/GCWkshps52748.2021.9682094.

K. Pärlin, T. Riihonen and M. Turunen. (2019). Sweep Jamming Mitigation Using Adaptive Filtering for Detecting Frequency Agile Systems. 2019 International Conference on Military Communications and Information Systems (ICMCIS), Budva, Montenegro, pp. 1-6. doi: 10.1109/ICMCIS.2019.8842761.

P. Kozak, V. Platenka and M. Richterova. (2019). Radio Communication Channel Analysis of UAV. 2019 International Conference on Military Technologies (ICMT), Brno, Czech Republic, pp. 1-4. doi: 10.1109/MILTECHS.2019.8870137.

H.-H. Choi, J. Oh, K.-M. Kang and H. Lee. (2023). Idle-less Slotted ALOHA Protocol for Drone Swarm Identification. IEEE Transactions on Vehicular Technology. doi: 10.1109/TVT.2023.3261104.

Z. Xu, I. Petrunin, A. Tsourdos and S. Ayub. (2019). Learning Based Spectrum Hole Detection for Cognitive Radio Communication. 2019 IEEE/AIAA 38th Digital Avionics Systems Conference (DASC), San Diego, CA, USA, pp. 1-7. doi: 10.1109/DASC43569.2019.9081799.

J. Viana et al. (2022). A Convolutional Attention Based Deep Learning Solution for 5G UAV Network Attack Recognition over Fading Channels and Interference, pp. 1-5. doi: 10.1109/VTC2022-Fall57202.2022.10012726.

H. Jee, K. Lee and J. Lim. (2017). Autonomous maneuvering of relay UAV for battlefields using TDOA localization. MILCOM 2017 - 2017 IEEE Military Communications Conference (MILCOM), Baltimore, MD, USA, pp. 453-458. doi: 10.1109/MILCOM.2017.8170765.

Z. Wang, J. Guo, Z. Chen, L. Yu, Y. Wang and H. Rao. (2022). Robust secure UAV relay-assisted cognitive communications with resource allocation and cooperative jamming. Journal of Communications and Networks, 24(2): 139-153. doi: 10.23919/JCN.2021.000044.

S. Wang, J. Wang, C. Su and X. Ma. (2020). Intelligent Detection Algorithm Against UAVs' GPS Spoofing Attack. 2020 IEEE 26th International Conference on Parallel and Distributed Systems (ICPADS), Hong Kong, pp. 382-389. doi: 10.1109/ICPADS51040.2020.00058.

C. Titouna and F. Naït-Abdesselam. (2021). A Lightweight Security Technique For Unmanned Aerial Vehicles Against GPS Spoofing Attack. 2021 International Wireless Communications and Mobile Computing (IWCMC), Harbin City, China, pp. 819-824. doi: 10.1109/IWCMC51323.2021.9498734.

S. Shvorov et al. (2020). The method of determining the amount of yield based on the results of remote sensing obtained using UAV on the example of wheat. 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, pp. 245-248. doi: 10.1109/TCSET49122.2020.235432.

M. G. Lutsky, V. M. Sineglazov and V. S. Ishchenko. (2021). Suppression of Noise in Visual Navigation Systems. 2021 IEEE 6th International Conference on Actual Problems of Unmanned Aerial Vehicles Development (APUAVD), Kyiv, Ukraine, pp. 7-10. doi: 10.1109/APUAVD53804.2021.9615405.

V. Sineglazov, A. Kot. (2021). Design of Hybrid Neural Networks of the Ensemble Structure. Eastern-European Journal of Enterprise Technologies, 109(4): 31-45. doi: 10.2139/ssrn.3807474.

A. Bouguettaya, H. Zarzour, A. Kechida and A. M. Taberkit. (2022). Vehicle Detection From UAV Imagery With Deep Learning: A Review. IEEE Transactions on Neural Networks and Learning Systems, vol. 33, no. 11, pp. 6047-6067, Nov. 2022, doi: 10.1109/TNNLS.2021.3080276.

S. Liu, R. Wu, J. Qu and Y. Li. (2022). HDA-Net: Hybrid Convolutional Neural Networks for Small Objects Recognization at Airports. IEEE Transactions on Instrumentation and Measurement, Vol. 71, pp. 1-14. doi: 10.1109/TIM.2022.3219500.

J. Dong, K. Ota and M. Dong. (2020). Real-Time Survivor Detection in UAV Thermal Imagery Based on Deep Learning. 2020 16th International Conference on Mobility, Sensing and Networking (MSN), Tokyo, Japan, pp. 352-359. doi: 10.1109/MSN50589.2020.00065.

Z. Zhang, L. Tang, Y. Tian and Y. Pan. (2019). A Real-time Visual UAV Detection Algorithm on Jetson TX2. 2019 IEEE International Conference on Signal, Information and Data Processing (ICSIDP), Chongqing, China, pp. 1-4. doi: 10.1109/ICSIDP47821.2019.9173005.

J. Jeon, S. Jung, E. Lee, D. Choi and H. Myung. (2021). Run Your Visual-Inertial Odometry on NVIDIA Jetson: Benchmark Tests on a Micro Aerial Vehicle. IEEE Robotics and Automation Letters, 6(3) : 5332-5339. doi: 10.1109/LRA.2021.3075141.

N.A. Pasichnyk, O.A. Opryshko, D.S. Komarchuk, N.A. Yasinska, R.S. Rakhmedov and N.A Kiktev. (2022). Data engineering for the automation of non-contact foliar diagnostics of plants based on the HSL model of color formation. 2022 IEEE 17th International Conference on Computer Sciences and Information Technologies (CSIT), Lviv, Ukraine, pp. 226-229. doi: 10.1109/CSIT56902.2022.10000464.

S.A. Shvorov, N.A. Pasichnyk, S.D. Kuznichenko, I.V. Tolok, S.V. Lienkov and L.A. Komarova. (2019). Using UAV During Planned Harvesting by Unmanned Combines. 2019 IEEE 5th International Conference Actual Problems of Unmanned Aerial Vehicles Developments (APUAVD), Kiev, Ukraine, pp. 252-257. doi: 10.1109/APUAVD47061. 2019. 8943842.

Mingxia Yang, Yuling Mou, Shan Liu, Yanrong Meng, Zelin Liu, Peng Li, Wenhua Xiang, Xiaolu Zhou, Changhui Peng. (2022). Detecting and mapping tree crowns based on convolutional neural network and Google Earth images. International Journal of Applied Earth Observation and Geoinformation, 108. doi: 10.1016/j.jag.2022.102764.

James Loy. (2019). Neural Network Projects with Python. Packt Publishing Ltd. Birmingham, B3 2PB, UK.

Y. Wu, Y. Sun, Y. Jia and F. Liao. (2022). Parking-Lot Vehicles Detection from a Low-Angle Camera Perspective Based on Improved Mask R-CNN. 2022 Asia Conference on Algorithms, Computing and Machine Learning (CACML), Hangzhou, China, pp. 571-575. doi: 10.1109/CACML55074.2022.00102.

M. Zins, G. Simon and M.-O. Berger. (2020). 3D-Aware Ellipse Prediction for Object-Based Camera Pose Estimation. 2020 International Conference on 3D Vision (3DV), Fukuoka, Japan, pp. 281-290, doi: 10.1109/3DV50981.2020.00038.

J. Strosahl, J. Sichermann, M. Jesch and D. Spieler. (2022). Perspective-Corrected Extraction of Trajectories from Urban Traffic Camera Using CNN. 2022 International Conference on Connected Vehicle and Expo (ICCVE), Lakeland, FL, USA, pp. 1-7. doi: 10.1109/ICCVE52871.2022.9742966.

N. Yan, T. Zhou, C. Gu, A. Jiang and W. Lu. (2020). Instance Segmentation Model for Substation Equipment Based on Mask R-CNN. 2020 International Conference on Electrical Engineering and Control Technologies (CEECT), Melbourne, VIC, Australia, pp. 1-7. doi: 10.1109/CEECT50755.2020.9298600.

N.A. Pasichnyk, S.A. Shvorov, O.A. Opryshko, A. Dudnyk, B. Oksana and D.S. Komarchuk. (2023). Prospective of Camouflage Ground Objects to Counter UAVs. 2023 IEEE 7th International Conference on Methods and Systems of Navigation and Motion Control (MSNMC), Kyiv, Ukraine, pp. 1-6. doi: 10.1109/MSNMC61017.2023.10328960.


Метрики статей

Завантаження метрик ...

Metrics powered by PLOS ALM

Посилання

  • Поки немає зовнішніх посилань.


Bookmark and Share