Прогнозування вартості дронів методами машинного навчання їхніх моделей

Анотація

Досліджено особливості застосування методів машинного навчання моделей для класифікації безпілотних літальних апаратів та визначення їх вартості на підставі виявлених компонент. З'ясовано, що трирівнева архітектура оброблення зображень, яка послідовно застосовує різнорідні моделі машинного навчання, забезпечує ефективне вирішення комплексного завдання прогнозування вартості дронів. Виявлено, що модульна структура методу визначення їхньої вартості дає змогу незалежно вдосконалювати кожен рівень оброблення зображень безпілотників без впливу на функціонування інших компонент системи, що відкриває можливості для масштабування та інтеграції нових алгоритмів у систему візуального оброблення зображень дронів. Запропоновано поєднання моделей машинного навчання різних архітектур: згорткових нейронних мереж на підставі архітектури ResNet для класифікації типів дронів у фреймворку ML.NET, сучасної архітектури YOLO11 для сегментації дев'яти типів компонент FPV-дронів та ансамблевої моделі Random Forest з 200 деревами та максимальною глибиною 10 для регресійного прогнозування вартості. Вибрано та підготовлено набір даних із 740 анотованими зображеннями безпілотників чотирьох типів (MultiRotor, FixedWing, SingleRotor, NotDrone) задля навчання класифікаційної моделі, підготовлено спеціалізований набір даних із 114 зображень для тренування ідентифікаційної моделі та згенеровано синтетичний набір із 500 зразків для навчання регресійної моделі на підставі реальних ринкових цін компонент з українського маркетплейсу. Побудовано інтегровану систему послідовного оброблення зображень дронів, де перший рівень виконує фільтрацію релевантних зображень та відсіває 42 % нецільових об'єктів класу NotDrone, другий рівень здійснює детальну сегментацію технічних компонент FPV-дронів з ідентифікацією рами, двигунів, польотного контролера, камери, батареї, регуляторів швидкості та пропелерів, а третій рівень прогнозує вартість БПЛА на підставі кількості та типів ідентифікованих складових з урахуванням їхньої потенційної вартості без штучної націнки. Здійснено підбір оптимальних гіперпараметрів моделей методом Grid Search та проведено їх валідацію на незалежних тестових наборах даних. Встановлено, що запропонований трирівневий метод оброблення зображень дронів забезпечує мікроточність (micro-accuracy) їх класифікації 89,1 % та макроточність (macro-accuracy) 82,7 %, середню точність розпізнавання компонент (mAP@50) = 65 % за порогового значення перетину об'єктів (IoU) = 0,5 з точністю (precision) = 90 % та повнотою (recall) = 65 %, а також коефіцієнт детермінації (R²) = 0,7704 для прогнозування вартості із середньою абсолютною похибкою 26,68 доларів (7-9 % від середньої вартості).