Применение искусственного интеллекта в задачах идентификации военной техники приобретает принципиальное значение для обеспечения национальной безопасности и обороны.
Современные военные конфликты характеризуются повышенной сложностью, разнообразием тактик и динамизмом. Войска Национальной гвардии Российской Федерации сталкиваются с широким спектром образцов военной техники, включая бронетехнику, беспилотные летательные аппараты и другие объекты. Эффективное выполнение боевых задач требует быстрого и точного их распознавания.
Использование искусственного интеллекта позволяет достичь высокой степени автоматизации и адаптации процессов идентификации, что особенно важно в условиях многообразия объектов военной техники.
В ходе военных операций требуется мгновенное распознавание и классификация объектов для принятия стратегически и тактически обоснованных решений. Системы на базе искусственного интеллекта способны обрабатывать большие объемы данных и реагировать на события оперативно.
Применение искусственного интеллекта в задачах распознавания военной техники минимизирует риски для военнослужащих, позволяя им избегать прямого контакта с вражеской техникой, что особенно актуально при выполнении служебно-боевых задач.
Развитие технологий беспилотных летательных аппаратов (БПЛА) набирает обороты. Системы искусственного интеллекта могут быть интегрированы в эти беспилотные платформы для автономного распознавания объектов военной техники.
В данной статье исследуется применение технологий компьютерного зрения в беспилотных летательных аппаратах (БПЛА) для идентификации военных объектов.
Автором рассматриваются задачи, решаемые с помощью компьютерного зрения, включая его интеграцию в интеллектуальные ассистенты БПЛА. Отмечается важность использования таких ассистентов для повышения эффективности работы БПЛА и минимизации вероятности ошибок со стороны оператора.
Работа будет полезна специалистам, занимающимся разработкой нейронных сетей, компьютерного зрения, а также проектированием и созданием БПЛА.
В последние годы наблюдается стремительное развитие беспилотных летательных аппаратов (БПЛА), что привело к их широкому внедрению в различные сферы деятельности, включая гражданскую авиацию, военные операции и мониторинг окружающей среды. БПЛА стали неотъемлемой частью современной технологической инфраструктуры, открыв новые возможности для операций в воздушном пространстве.
Однако, вместе с ростом количества и сложности БПЛА операторы сталкиваются с новыми вызовами. Увеличение объема информации, требующей обработки и анализа, а также необходимость принимать решения в режиме реального времени, делают разработку интеллектуальных помощников для операторов БПЛА все более актуальной задачей.
Настоящая статья посвящена применению компьютерного зрения в интеллектуальных ассистентах БПЛА для распознавания техники. Компьютерное зрение – это область исследований, направленная на анализ изображений и видео. Специалисты этой области стремятся разработать эффективные методы обучения компьютеров распознавать объекты на изображениях и извлекать из них информацию. Это нетривиальная задача, поскольку компьютеры не обладают способностью видеть так же, как люди, у них отсутствует жизненный опыт, который облегчает нам процесс распознавания объектов. Для того чтобы обучить компьютеры понимать содержание изображений, используются методы машинного обучения, основанные на обширных базах данных и анализе признаков и их комбинаций для идентификации объектов. Несмотря на это, модели машинного обучения могут допускать ошибки, поэтому их необходимо дообучать на новых наборах данных.
Идея использования компьютеров для обработки и интерпретации визуальной информации существует давно. Первые научные публикации, посвященные этой теме, появились в конце 1950-х годов. Так, Дэвид Хьюбел и Торстен Визель, изучая деятельность нейронов зрительной коры кошек, установили связь между зрительным опытом и функцией этих нейронов. Параллельно с этим Лоуренс Робертс из Массачусетского технологического института разработал систему распознавания форм объектов.
С тех пор компьютерное зрение претерпело значительное развитие. В 1980-е годы были созданы теории систем, способных распознавать движущиеся объекты на видеозаписях. 1990-е годы ознаменовались появлением прототипов беспилотных автомобилей.
Распространение интернета и появление огромных массивов оцифрованных изображений послужили толчком для практического применения технологий компьютерного зрения. Начав с распознавания текста на сканах документов, системы постепенно усложнялись, достигнув уровня обнаружения и casi мгновенного распознавания лиц на фотографиях и видеозаписях.
В настоящее время компьютерное зрение широко применяется в различных сферах: робототехнике, медицине, биометрии, системах безопасности, геоинформационных системах, игровой индустрии, визуализации и анализе данных.
Целью данного исследования является изучение применения технологий компьютерного зрения для разработки интеллектуального ассистента беспилотного летательного аппарата (БПЛА).
Объектом исследования выступает компьютерное зрение.
Предметом исследования является применение компьютерного зрения в интеллектуальном ассистенте БПЛА.
Практическая значимость работы заключается в разработке способа минимизации ошибок при управлении БПЛА оператором, что позволит повысить эффективность работы этих аппаратов. В связи с растущей популярностью БПЛА в различных областях, операторы сталкиваются с увеличением объема информации и ростом сложности управления, что делает разработку интеллектуальных ассистентов крайне актуальной.
Компьютерное зрение представляет собой технологию автоматического обнаружения, классификации и идентификации объектов на изображениях или видеоматериалах посредством компьютерных алгоритмов. Данная технология находит широкое применение в различных отраслях, включая медицину, безопасность, транспорт и производство.
В частности, в сфере безопасности системы компьютерного зрения используются для идентификации лиц, распознавания номерных знаков автомобилей и обнаружения опасных предметов. В области транспорта алгоритмы компьютерного зрения применяются для обнаружения и идентификации транспортных средств, видеонаблюдения на дорогах, анализа дорожного движения и предотвращения аварийных ситуаций.
Настоящая статья посвящена рассмотрению применения компьютерного зрения в беспилотных летательных аппаратах (БПЛА) для распознавания техники.
Рост технологий автономной мобильности и искусственного интеллекта (ИИ) ежегодно увеличивает технологический потенциал дронов. Системы компьютерного зрения, интегрированные в БПЛА, позволяют им собирать обширные визуальные данные (фотографии и видео). Обработка этих данных с использованием технологий ИИ предоставляет доступ к информации, которая либо была бы недоступна, либо требовала бы значительных затрат при использовании традиционных методов, предусматривающих участие человека.
В настоящее время наблюдается стремительное развитие технологий, позволяющих создавать автономные беспилотники, оснащенные системами искусственного интеллекта (ИИ).
Независимое принятие решений:
Дроны, оборудованные интеллектуальными системами, способны собирать данные в режиме реального времени и на основе их анализа принимать решения без вмешательства человека. Это достигается благодаря прогрессу в области компьютерного зрения с поддержкой ИИ. БПЛА получают предварительно заданные GPS-координаты точек отправления и назначения, а также функции поиска оптимального маршрута.
Обучение дронов для распознавания объектов:
Для того чтобы дрон мог эффективно обнаруживать интересующие типы объектов (как статичные, так и движущиеся), ему необходимо пройти обучение на большом объеме данных. Для этого используются специализированные программы хранения и анализа данных, которые позволяют обучать технологии ИИ.
Повышение автономности беспилотников:
Беспилотники, использующие алгоритмы ИИ, становятся все более автономными и независимыми от управления человеком. Например, они могут самостоятельно определять направление и маршрут полета.
Компьютерное распознавание техники:
Технология компьютерного зрения с поддержкой ИИ используется для обнаружения и идентификации объектов (техники, оружия, зданий и др.) на фотографиях, видео и других изображениях. Для этого применяются различные методы машинного обучения, такие как нейронные сети и глубокое обучение.
В ходе разработки моделей компьютерного распознавания используются специализированные базы данных, включающие фотографии и видео техники, а также информацию о ее характеристиках. Эти модели могут быть интегрированы в различные системы, например, беспилотные летательные аппараты, которые могут быстро сделать фото или видео техники и передать их на обработку.
Компьютерное распознавание техники повышает эффективность разведывательной деятельности и улучшает принятие тактических решений.
Наша компания занимается разработкой моделей ИИ для распознавания техники с помощью БПЛА. Модели предварительно обучены и готовы к почти моментальному развертыванию. ИИ с дронов можгут идентифицировать любой объект, которому мы их научим идентифицировать, будь то животные, люди или обычные предметы.
Применение таких систем является более дешевым, безопасным и точным по сравнению с традиционными методами подсчета многочисленных активов с помощью ручного труда.
Предлагаемая система искусственного интеллекта (ИИ) осуществляет обработку данных, поступающих из нескольких источников: камер наблюдения, дронов и спутников.
Используя технологии компьютерного зрения, система производит точный подсчёт людей, животных или объектов в потоке. Это достигается благодаря предварительной идентификации объекта или животного, на которую ИИ был обучен. Обработанные данные передаются лицам, принимающим решения.
Данная платформа компьютерного зрения применима в решении следующих задач:
- Мониторинг скота: контроль за большими стадами на обширных территориях крупных ферм.
- Учёт популяций диких животных: точный подсчёт количества животных в национальных парках, заповедниках и других природных резерватах.
- Логистика и складское хозяйство: отслеживание тысяч коробок и товаров на больших складах.
- Научные исследования: подсчёт клеток в лабораторных условиях.
Рост рынка дронов и перспективность ИИ.
В ближайшие годы прогнозируется значительный рост мирового рынка коммерческих дронов (34,5 млрд долларов) с ежегодным увеличением на 32%. Повышение доступности дронов для потребителей приводит к росту объёма получаемых снимков. Современные технологии компьютерного зрения позволяют моделям классифицировать изображения и обнаруживать объекты с точностью, превышающей человеческие возможности.
Применение дронов в различных отраслях.
Дроны (БПЛА) широко используются в следующих областях:
- Природные ресурсы: отслеживание популяций диких животных, мониторинг мероприятий по восстановлению лесов, контроль за домашним скотом.
- Охрана: разведка и наблюдение.
- Экстренные службы: поиск выживших, доставка медикаментов в труднодоступные районы.
Интеллектуальные ассистенты для операторов БПЛА.
Интеллектуальные ассистенты могут существенно упростить задачи операторов БПЛА, повысить эффективность и безопасность операций. Они способны обрабатывать огромные объемы данных, классифицировать информацию, анализировать образцы и прогнозировать возможные события. Такие ассистенты могут стать надёжными партнёрами операторов, оказывая им неоценимую поддержку в принятии решений.
Рисунок 1. Схема работы программы интеллектуального ассистента БПЛА.
Для оценки эффективности разработанной системы использовался беспилотный летательный аппарат Mavic mini. Передача видеоданных с дрона на мастер-сервер осуществлялась посредством протокола RTMP.
RTMP (Real-Time Messaging Protocol) – это протокол, предназначенный для передачи потокового видео и аудио в режиме реального времени через интернет. Для реализации передачи данных RTMP использует два компонента: RTMP-сервер, отвечающий за прием потоковых данных от источника (в данном случае дрона), и RTMP-клиент, осуществляющий прием и воспроизведение полученных данных или их передачу другим пользователям. В качестве RTMP-сервера был выбран MonaServer.
Необходимо отметить, что RTMP не является оптимальным протоколом для передачи данных с БПЛА на сервер. Это обусловлено ограничениями протокола, в частности, высокой задержкой.
Для решения задачи классификации объектов на изображениях была выбрана нейронная сеть YOLO v.5. Обучающий набор данных включал 5 классов военной техники (Т-72, Т-72Б, МЛТБУ, УРАЛ, авт. “Тигр”) и насчитывал изначально 300 изображений. После проведения процедур аугментации размер набора увеличился до 3000 изображений. В процессе аугментации применялись следующие операции: поворот, сдвиг, изменение яркости и цвета отдельных каналов, а также добавление различных шумов.
Рисунок 2 демонстрирует работу нейронной сети интеллектуального ассистента БПЛА.
Рисунок 2. Демонстрация работы нейронной сети интеллектуального ассистента БПЛА.
В рамках дальнейшего развития проекта планируется осуществить следующие усовершенствования: доработка алгоритма распознавания техники, оптимизация работы интеллектуального ассистента для повышения эффективности распознавания объектов в условиях ограниченной видимости, а также повышение точности идентификации объектов.Подводя итоги, следует отметить, что интеграция технологий искусственного интеллекта в беспилотные летательные аппараты (БПЛА) открывает возможности для выполнения ими сложных задач, ранее доступных исключительно человеку. Несмотря на то, что эффективность применения ИИ напрямую зависит от его корректной настройки и интеграции в систему БПЛА, его потенциал способен существенно расширить функциональные возможности и повысить эффективность беспилотных аппаратов.
