Зубков, О. В.Шейко, С. А.Олейников, В. Н.Карташов, В. М.Корытцев, И. В.Бабкин, С. И.2021-04-102021-04-102020Исследование эффективности детектирования и распознавания изображений дронов по видеопотоку / О. В. Зубков, С. А. Шейко, В. Н. Олейников, В. М. Карташов, И. В. Корытцев, С. И. Бабкин // Радіотехніка : Всеукр. міжвід. наук.-техн. зб. – Харьків, 2020. – Вип. 202. – С. 136–146.https://openarchive.nure.ua/handle/document/15484Разработан и экспериментально протестирован алгоритм обработки видеопотока стационарной видеокамеры. Он состоит из этапов обнаружения движущихся объектов и классификации этих объектов с использованием нейронной сети. Для обнаружения движущихся объектов использованы методы выделения движущихсяобъектов на неподвижном фоне и анализа истории движения. На основании экспериментальных данных проанализирована эффективность применения моделей заднего фона изображений MOG, MOG2, KNN, GMG, CNT, GSOC, LSBP для решения поставленной задачи. Сформулированы рекомендации по выбору параметров этих моделей. Критерии выбора: обеспечение высокого быстродействия и низкий уровень шумов. Для классификации движущихся объектов созданы и обучены модели полносвязных и сверточных нейронных сетей, позволяющие классифицировать 12 типов подвижных объектов. Для обучения нейронных сетей созданы наборы изображений: дронов, фрагментов листвы деревьев, травы, облаков и насекомых. На основании результатов обучения и тестирования сетей даны рекомендации к числу слоев сетей, числу нейронов в слое, количеству сверток для достижения максимального быстродействия и точности распознавания. Сравнительный анализ точности классификации дронов с применением полносвязных и сверточных сетей при обработке экспериментальных данных доказал эффективность применения сверточных сетей. Построена зависимость точности обнаружения дрона от размера изображения и, соответственно, от дальности до этого дрона.ruдетектированиераспознавание изображенийдронвидеопотокArticle