Метод виокремлення військових об'єктів з відеопотоку даних FPV-дрона з використанням моделей машинного навчання
Анотація
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.
Завантаження
Посилання
Al Mudawi, N., Qureshi, A. M., Abdelhaq, M., Alshahrani, A., Alazeb, A., Alonazi, M., & Algarni, A. (2023). Vehicle detection and classification via YOLOv8 and deep belief network over aerial image sequences. Sustainability, 15(19), 14597–14597. https://doi.org/10.3390/su151914597
Chakrabarty, S., Chatterjee, R., Chakraborty, S., Roy Shuvo, S., & Chowdhury, R. (2025). Drones in defense: Real-time vision-based military target surveillance and tracking. 2025 3rd International Conference on Intelligent Systems, Advanced Computing and Communication (ISACC), 508–513. https://doi.org/10.1109/ISACC65211.2025.10969335
Chen, Z., Zhang, Y., & Xing, S. (2025). YOLO-LE: A lightweight and efficient UAV aerial image target detection model. Computers, Materials & Continua, 84(1), 1787–1803. https://doi.org/10.32604/cmc.2025.065238
Cheng, Q., Wang, H., Zhu, B., Shi, Y., & Xie, B. (2023). A Real-Time UAV target detection algorithm based on edge computing. Drones, 7(2), article number 95. https://doi.org/10.3390/drones7020095
Han, T., Cao, T., Zheng, Y., Chen, L., Wang, Y., & Fu, B. (2023). Improving the detection and positioning of camouflaged objects in YOLOv8. Electronics, 12(20), 4213–4213. https://doi.org/10.3390/electronics12204213
Hashim, H. A. (2024). Advances in UAV avionics systems architecture, classification and integration: A comprehensive review and future perspectives. Results in Engineering, 25, 103786–103786. https://doi.org/10.1016/j.rineng.2024.103786
Henkel, M., Keilbach, S., Burkart, N., & Schumann, A. (2024). Part-aided military vehicle detection. Artificial Intelligence for Security and Defence Applications II, 13206, 321–333. https://doi.org/10.1117/12.3034615
Huang, F., Chen, S., Wang, Q., Chen, Y., & Zhang, D. (2023). Using deep learning in an embedded system for real-time target detection based on images from an unmanned aerial vehicle: vehicle detection as a case study. International Journal of Digital Earth, 16(1), 910–936. https://doi.org/10.1080/17538947.2023.2187465
Joeaneke, P. C., Obioha-Val, O., Olaniyi, O. O., Ogungbemi, O. S., Olisa, A. O., & Akinola, O. I. (2024). Protecting autonomous UAVs from GPS spoofing and jamming: a comparative analysis of detection and mitigation techniques. Journal of Engineering Research and Reports, 26(10), 71–92. https://doi.org/10.9734/jerr/2024/v26i101291
Legendre, D., & Vankka, J. (2020). Military vehicle recognition with different image machine learning techniques. Communications in Computer and Information Science, 220–242. https://doi.org/10.1007/978-3-030-59506-7_19
Liang, X., Xiang, J., Qin, S., Xiao, Y., Chen, L., Zou, D., Ma, H., Huang, D., Huang, Y., & Wei, W. (2025). Small target detection algorithm based on SAHI-Improved-YOLOv8 for UAV imagery: A case study of tree pit detection. Smart Agricultural Technology, 12, article ID 101181. https://doi.org/10.1016/j.atech.2025.101181
Liu, K., Li, A., Yang, S., Wang, C., & Zhang, Y. (2025). Multi-scale attention and boundary-aware network for military camouflaged object detection using unmanned aerial vehicles. Signal, Image and Video Processing, 19(1), article number 184. https://doi.org/10.1007/s11760-024-03766-1
Nazarkevych, M., & Oleksiv, N. (2024). Method of identification of combat vehicles based on YOLO. Information Systems and Networks, 15, 87–105. https://doi.org/10.23939/sisn2024.15.087
Ouyang, Y., Wang, X., Hu, R., Xu, H., & Shao, F. (2022). Military vehicle object detection based on hierarchical feature representation and refined localization. IEEE ACCESS, 10, 99897–99908. https://doi.org/10.1109/ACCESS.2022.3207153
Soumya, D. Sree, Aishwarya, Ch., & Vasavi, S. (2023). FPGA-based military vehicles detection and classification from drone videos using YOLOv5. Lecture Notes in Electrical Engineering, 1057, 265–276. https://doi.org/10.1007/978-981-99-3691-5_22
Wang, X., Chen, C., Ruan, K., et al. (2024). Camouflaged object detection based on deformable convolution and edge guidance [Preprint]. Research Square. https://doi.org/10.21203/rs.3.rs-5259126/v1
Yu, A., Kolotylo, I., Hashim, H. A., & Eltoukhy, A. E. E. (2025). Electronic warfare cyberattacks, countermeasures, and modern defensive strategies of UAV avionics: A survey. IEEE ACCESS, 13, 68660–68681. https://doi.org/10.1109/ACCESS.2025.3561068
Zhao, B., Zhou, Y., Song, R., et al. (2024). Modular YOLOv8 optimization for real-time UAV maritime rescue object detection. Scientific Reports, 14(1), article number 24492. https://doi.org/10.1038/s41598-024-75807-1
