ЗАСТОСУВАННЯ АЛГОРИТМІВ ДЕТЕКЦІЇ ОБ’ЄКТІВ У БОРТОВИХ СИСТЕМАХ ВІДЕОАНАЛІЗУ БПЛА З ВИКОРИСТАННЯМ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ

Анотація

Анотація. Ефективна детекція об’єктів у реальному часі з використанням бортових систем комп’ютерного зору на безпілотних літальних апаратах (БПЛА) є фундаментальною задачею для багатьох прикладних галузей. Традиційні підходи часто не справляються з унікальними викликами, такими як обмежені обчислювальні ресурси (SWaP), висока швидкість руху, та складні умови зйомки з повітря. Використання алгоритмів глибокого навчання (Deep Learning) відкриває нові можливості для створення автономних систем, здатних аналізувати відеопотік безпосередньо на борту. У даній роботі проведено комплексний аналіз придатності моделі YOLOv8, як однієї з провідних архітектур, для задач детекції об’єктів з БПЛА, порівняно з альтернативними архітектурами глибоких нейронних мереж. Досліджено теоретичні можливості застосування різних варіантів моделей сімейства YOLO, а також архітектур Faster R-CNN, RetinaNet та EfficientDet в контексті специфічних умов аерозйомки. Проаналізовано технічні характеристики кожної архітектури, включаючи швидкість обробки, точність детекції на стандартних датасетах, обчислювальні вимоги та придатність для роботи в режимі реального часу. Виконано оцінку відповідності можливостей різних моделей специфічним вимогам складних задач детекції, зокрема виявленню малорозмірних та замаскованих об’єктів. Як приклад однієї з найбільш критичних таких задач розглядається виявлення вибухонебезпечних предметів з повітря. Результати аналізу демонструють, що YOLOv8 теоретично забезпечує оптимальний баланс між точністю виявлення та швидкістю обробки відео-потоку, необхідними для практичного застосування на борту БПЛА. Визначено ключові переваги та обмеження кожної архітектури, а також окреслено перспективи їх практичного впровадження для вирішення широкого кола задач, що вимагають автономного аналізу з борту БПЛА.