Детекция малоразмерных объектов для автономных систем дальнего обнаружения и наведения на основе двухканального радиометрического и пространственного анализа

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.

1. Брехт Э. А., Коншина В. Н. Применение нейронной сети YOLO для распознавания дефектов // Интеллектуальные технологии на транспорте. 2022. № 2(30). С. 41—47. 2. Тимошкин М. С., Миронов А. Н., Леонтьев А. С.

2. Сравнение YOLO V5 и Faster R-CNN для обнаружения людей на изображении в потоковом режиме // МНИЖ. 2022. № 6-1(120). С. 137—146.

3. Сацюк А. В., Володарец Н. В., Крупский Д. И. Ускорение нейронной сети для работы БПЛА в режиме реального времени // Вестник Донецкой академии транспорта. 2025. № 1. С. 6—14.

4. Сацюк А. В. Мониторинг инфраструктуры на основе искусственного интеллекта // Автоматика, связь, информатика. 2025. № 9. С. 32—34. DOI: 10.62994/AT.2025.9.9.005.

5. Даглдиян Г. Д., Швалов Д. В. Применение нейронных сетей для определения типа вагона по видеоизображению // Проблемы безопасности на транспорте: Материалы ХIII международной научно-практической конференции. Гомель: Белорусский государственный университет транспорта, 2024. С. 13—15.

6. Борсук Н. А., Щербакова М. А., Поляков Е. А. Применение нейронных сетей в медицине // Роль теории и практики в устойчивом развитии современной науки: сборник статей международной научной конференции. Санкт-Петербург: Гуманитарный национальный исследовательский институт "НАЦРАЗВИТИЕ", 2022. С. 36—38.

7. Лоу Гуанпин. Улучшение алгоритма YOLO-V3 для распознавания небольших объектов // StudNet. 2021. № 6. С. 372—385.

8. Ma W., Wang X., Yu J. A Lightweight Feature Fusion Single Shot Multibox Detector for Garbage Detection // IEEE Access. 2020. Vol. 8. P. 188577—188586. DOI: 10.1109/ACCESS.2020.3031990.

9. Сацюк А. В. Оптимизация архитектуры YOLOv8 для задач захвата объекта БПЛА: анализ компромисса между точностью, скоростью и вычислительными ресурсами // Вестник Ростовского государственного университета путей сообщения. 2025. № 2(98). С. 35—42. DOI: 10.46973/0201-727X_2025_2_35.

10. Ghiasi G., Cui Y., Srinivas A., Qian R., Lin T.-Y., Cubuk E. D., Le Q. V., Zoph B. Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021. P. 2918—2928. DOI: 10.1109/CVPR46437.2021.00293.

11. Сацюк А. В., Володарец Н. В. Модификация модели YOLO для гибридной системы детекции и трекинга в БПЛА с автоматическим наведением // Информационно-управляющие системы. 2025. № 4(137). С. 36—44. DOI: 10.31799/1684-8853-2025-4-36-44.

12. Barniv Y. Dynamic Programming Solution for Detecting Dim Moving Targets // IEEE Transactions on Aerospace and Electronic Systems. 1985. Vol. AES-21, N. 1. P. 144—156. DOI: 10.1109/TAES.1985.310548.

13. Kubica J., Denneau L., Moore A., Jedicke R., Connolly A. Efficient algorithms for large-scale asteroid discovery // Astronomical Data Analysis Software and Systems XVI. 2007. Vol. 376. P. 395.

14. Liu B., Yu A., Zuo X., Xue Z., Gao K., Guo W. Spatialspectral feature classification of hyperspectral image using a pretrained deep convolutional neural network // European Journal of Remote Sensing. 2021. Vol. 54, N. 1. P. 385—397. DOI: 10.1080/22797254.2021.1942225.

15. Burggraaff O., Schmidt N., Zamorano J., Pauly K., Pascual S., Tapia C., Spyrakos E., Snik F. Standardized spectral and radiometric calibration of consumer cameras // Optics Express. 2019. Vol. 27, N. 12. P. 19075—19101. DOI: 10.1364/OE.27.019075.

16. Barnich O., Van Droogenbroeck M. ViBe: A Universal Background Subtraction Algorithm for Video Sequences // IEEE Transactions on Image Processing. 2011. Vol. 20, N. 6. P. 1709—1724. DOI: 10.1109/TIP.2010.2101613.

17. Сацюк А. В., Володарец Н. В. Оптимизация параметров трекера CSRT в системе слежения беспилотных летательных аппаратов // Устойчивое развитие горных территорий. 2025. Т. 17, № 2. С. 834—845. DOI: 10.21177/1998-4502-2025-17-2-834-845.

18. Володарец Н. В., Сацюк А. В. Устойчивый трекинг и коррекция траектории беспилотных летательных аппаратов в условиях ограниченной видимости с использованием мультисенсорных данных // Устойчивое развитие горных территорий. 2025. Т. 17, № 3. С. 1320—1330. DOI: 10.21177/1998-4502-2025-17-3-1320-1330.

19. Reid D. B. An algorithm for tracking multiple targets // IEEE Transactions on Automatic Control. 1979. Vol. 24, N. 6. P. 843—854. DOI: 10.1109/TAC.1979.1102177.

20. Therrien C. W. Decision estimation and classification: an introduction to pattern recognition and related topics. New York: John Wiley & Sons, 1989. 252 p.

21. Frieden B. R. Probability, statistical optics, and data testing: A problem solving approach. Berlin: Springer Science & Business Media, 2012. 520 p.

22. Chen V. C., Ling H. Joint time-frequency analysis for radar signal and image processing // IEEE Signal Processing Magazine. 1999. Vol. 16, N. 2. P. 81—93. DOI: 10.1109/79.752053.

23. Feng Q., Xu X., Wang Z. Deep learning-based small object detection: A survey // Mathematical Biosciences and Engineering. 2023. Vol. 20, N. 4. P. 6551—6590. DOI: 10.3934/mbe.2023282.

24. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9, N. 8. P. 1735—1780. DOI: 10.1162/neco.1997.9.8.1735.

25. Sherstinsky A. Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network // Physica D: Nonlinear Phenomena. 2020. Vol. 404. P. 132306. DOI: 10.1016/j.physd.2019.132306.