Штучний інтелект

Анотація: Розглянуто деякі питання використання безпілотної авіації, космічних апаратів з моніторингу наслідків техніко-екологічних подій та точного землеробства. Удосконалення наукових підходів до створення програмно-технічних засобів використання безпілотних літальних апаратів (БПЛА) й космічних апаратів для моніторингу з повітря територій – сучасна актуальна проблема. Пропонована технологія спрямована на підвищення точності розпізнавання об'єктів інфраструктури з отриманням числових значень їх тривимірних координат. Метою є підвищення якості моніторингу довкілля з використанням нейромережевої ідентифікації та класифікації об'єктів на багатозональних космічних знімках та багатозональних зображеннях, одержаних БПЛА. Дослідження включають теоретичні дослідження та рішення прикладних завдань. Практичні дослідження засновані на про-веденні експериментів, програмної реалізації й тестуванні алгоритмів та технології. Удосконалено ефективний метод відеоспостереження за територією. Завданням досліджень є підвищення точності розпізнавання об'єктів на поверхні землі (конкретних об'єктів інфраструктури, стану рослинності сільськогосподарських угідь). Вирі-шення цієї проблеми відбувається одночасно за двома напрямками. Перший напрямок: технічний результат забезпечується тим, що технологія пропонує використання БПЛА, обладнаного двома відеокамерами. Другий напрямок – це використання наукової ідеї, що полягає у розробці методу спільної комп'ютерної обробки циф-рових та аналогових зображень, отриманих з БПЛА, а також квазіодночасних та багаторазових багатозонних космічних зображень. Новим результатом дослідження є розроблена структура даних для зберігання моделі процесу розпізнавання, що дозволяє спільно зберігати різнорідні характеристики та функції приналежності різних типів в тих самих таблицях.

Ключові слова: техно-екологічні події, робототехніка, розпізнавання образів, БПЛА.

Посилання:

1. Cobeña Cevallos, J.P., Atiencia Villagomez, J.M., Andryshchenko, I.S. (2019) Convolutional Neural Network in the Recognition of Spatial Images of Sugarcane Crops in the Troncal Region of the Coast of Ecuador. 13th International Symposium “Intelligent Systems” (INTELS’18), 757-863. doi: 10.1016/j.procs.2019.02.001. [Online]. Available: https://doi.org/10.1016/j.procs.2019.02.001.
2. Bickel, V.T., Manconi, A., Amann, F. (2018) Quantitative Assessment of Digital Image Correlation Methods to Detect and Monitor Surface Displacements of Large Slope Instabilities. Remote Sens. 10, 865-883. doi: 10.3390/rs10060865. [Online]. Available: https://doi.org/10.3390/rs10060865.
3. Leprince, S., Barbot, S., Ayoub, F., Avouac, J.-P. (2007) Automatic and Precise Orthorectification, Coregistration, and Subpixel Correlation of Satellite Images, Application to Ground Deformation Measurements. IEEE Transactions on Geoscience and Remote Sensing, 45 (6), 1529-1558. doi: 10.1109/TGRS.2006.888937. [Online]. Available: https://doi.org/10.1109/TGRS.2006.888937.
4. Huete, A., Liu, H. (1994) An error and sensitivity analysis of the atmospheric and soil correcting variants of the NDVI for the MODIS- EOS. IEEE Transactions on Geoscience and Remote Sensing, 32, 897-905. doi: 10.1109/36.298018. [Online]. Available: https://doi.org/10.1109/36.298018.
5. Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L. (2018) A fully convolutional network for weed mapping of unmanned aerial vehicle (UAV) imagery. PLoS ONE 13(4): e0196302. doi: 10.1371/journal.pone.0196302. [Online]. Available: https://doi.org/10.1371/journal.pone.0196302.
6. Rizzo, F., Carpentieri, B., Motta, G., Storer, J.A. (2005) Low-complexity lossless compression of hyperspectral imagery via linear prediction. IEEE Signal Processing Letters. 12 (2). 138-141. doi: 10.1109/LSP.2004.840907. [Online]. Available: https://doi.org/10.1109/LSP.2004.840907.
7. Dudkin, A.A., Pertsev, D.Yu. (2017) Algorithm of compression of hyperspectral data of remote sensing of the Earth. Bulletin of the National Acad. Sciences of Belarus. Phys. - Math. Series Science. 1. 120-126. [Online]. Available: https://vestifm.belnauka.by/jour/article/view/238?locale=en_US.
8. Дудкин, А.А., Перцев, Д. Ю. (2018) Сжатие дан-ных дистанционного зондирования Земли с применением контекстного моделирования. Ве-стник БрГТУ. 5. 11-15. [Online]. Available: https://www.bstu.by/uploads/vestnik/18-5.pdf.