Н. В. Володарец, канд. техн. наук, доц., проректор по научной работе и инновационному развитию
Донецк
Volodarets Nikita V., PhD (Cand. of Eng. Sc.), Associate Professor, Vice-Rector for Research and Innovation Development
Donetsk, 283086, Donetsk People’s Republic
А. В. Сацюк, канд. техн. наук, зав. лаб.
Донецк
A. V. Satsiuk
Donetsk, 283018, Donetsk People’s Republic
Обсуждается разработка инновационного двухканального алгоритма DRI-YOLO для решения сложной проблемы детекции субпиксельных объектов в условиях большого расстояния до сенсора. Традиционные методы компьютерного зрения на основе сверточных нейронных сетей демонстрируют крайне низкую эффективность при работе с объектами размером менее 10Ѕ10 пикселей из-за необратимой потери семантических и геометрических признаков в процессе сверточных преобразований. Предложенный авторами гибридный подход сочетает анализ низкоуровневых радиометрических характеристик (интенсивности, спектральных соотношений, временных флуктуаций) с возможностями нейросетевой классификации на основе адаптированной архитектуры YOLO. Методология включает три последовательных этапа обработки данных: предварительную сегментацию областей интереса через выявление статистических аномалий во временных рядах пикселей, построение детального радиометрического профиля объекта с применением быстрого преобразования Фурье (FFT) для идентификации периодических компонент и окончательную классификацию динамических радиометрических отпечатков с использованием специально модифицированной версии YOLO, оптимизированной для работы с частотными данными. Экспериментальные исследования проводились на встраиваемой платформе NVIDIA Jetson Orin NX с использованием камеры IMX219 в разрешении 1280Ѕ720 пикселей. Результаты показали превосходство гибридного подхода: достигнуто значение mAP = 0,82 для субпиксельных объектов, в то время как стандартная YOLOv8m демонстрирует показатель менее 0,15. Практическая апробация подтвердила возможность реального обнаружения птиц на дистанции до 500 м и людей — до 800 м с сохранением частоты обработки 26 кадров в секунду. Алгоритм открывает новые перспективы для систем видеонаблюдения, беспилотных технологий и астрономических исследований.
This research article addresses the critical challenge of subpixel object detection in long-range vision applications, where traditional convolutional neural network (CNN)-based methods demonstrate severely limited effectiveness. When objects are located at significant distances from the sensor, their visual representation degrades to mere pixels or subpixels, losing all semantic and geometric features that conventional computer vision systems rely upon. The authors propose an innovative dual-channel DRI-YOLO (Dynamic Radiometric Identification-You Only Look Once) algorithm that combines low-level radiometric characteristic analysis with neural network classification capabilities using an adapted YOLO architecture. The methodology encompasses three sequential processing stages: preliminary region-of-interest segmentation through statistical anomaly detection in pixel time series, detailed radiometric profile construction using Fast Fourier Transform (FFT) for periodic component identification, and final classification of dynamic radiometric signatures using a specially modified YOLO version optimized for frequency domain data. Experimental validation conducted on an NVIDIA Jetson Orin NX embedded platform with an IMX219 camera at 1280Ѕ720 resolution demonstrated the hybrid approach’s superiority, achieving mAP = 0.82 for subpixel objects compared to standard YOLOv8m’s performance below 0.15. Practical implementation confirmed reliable detection capabilities for birds at distances up to 500 meters and humans at 800 meters while maintaining a realtime processing rate of 26 frames per second. The proposed algorithm offers groundbreaking potential for video surveillance systems, unmanned technologies, and astronomical research applications where long-range subpixel object detection is paramount.
The authors declare that there are no conflicts of interest present.