ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. ISSN 1684-1719. 2022. №4
Оглавление выпускаТекст статьи (pdf)
DOI: https://doi.org/10.30898/1684-1719.2022.4.2
УДК: 621.396.969.3:004.032.26
МОНИТОРИНГ ОБЪЕКТОВ МОРСКОГО СУДОХОДСТВА
ПО АЭРОКОСМИЧЕСКИМ ДАННЫМ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ
В СВЧ ДИАПАЗОНЕ С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
М.Л. Белокопытов, Д.А. Шленских, С.В. Морозов, С.В. Сирота
Военно-космическая академия имени А.Ф. Можайского
197198, Санкт-Петербург, ул. Ждановская, 13
Статья поступила в редакцию 22 апреля 2022 г.
Аннотация. Статья посвящена вопросам автоматизированного поиска объектов морского судоходства на радиолокационных изображениях. Проведен сравнительный анализ семейства нейросетей Yolov5. Для детектирования объектов использован одноэтапный автоматический обнаружитель, построенный на базе сверточной нейронной сети типа Yolov5x и обученный на наборе данных SAR Ship Dataset. Произведено цифровое моделирование предложенной системы распознавания. Проведена верификация обученной модели, а также оценка качества работы алгоритма сверточной нейронной сети. Рассмотрены основные трудности, возникающие при подготовке обучающей выборки. Предложены пути их решения. Сделаны выводы относительно возможности применения разработанного обнаружителя с целью автоматизации процесса распознавания морских объектов.
Ключевые слова: объекты морского судоходства, распознавание, нейронная сеть, радиолокационное изображение.
Автор для переписки: Белокопытов Марк Львович, hommer1990@mail.ru
Литература
1. Доросинский Л.Г., Трухин М.П. Теория и практика обработки сигналов от пространственно-распределенных целей. Ульяновск, Зебра. 2015. 243 с.
2. Насыров И.А. Введение в современные спутниковые радионавигационные системы. Часть 1: общие принципы, современное состояние, перспективы развития. Учебное пособие. Казанский государственный университет. 2005. 43 с.
3. Zhao Z., Zheng P., Xu S., Wu X. Object Detection with Deep Learning: A Review IEEE Transactions on Neural Networks and Learning Systems. 2018. P.1-21.
4. Вакуленко С.А., Жихарева А.А. Практический курс по нейронным сетям. СПб., Университет ИТМО. 2018. 71 с.
5. Zhang T., Zhang X., Jianwei Li. SAR Ship Detection Dataset (SSDD): Official Release and Comprehensive Data Analysis. Remote Sensing MDPI. 2021. V.13. P.3690.
6. Траск Эндрю. Глубокое обучение. СПб., Питер. 2019. 352 с.
7. Ананьин Э.В., Андрющенко М.С. Методы исследований радиолокационной сигнатуры при разработке малозаметных образцов военной техники. Вопросы оборонной техники. Серия 16: технические средства противодействия терроризму. 2015. №87-88. С.102-108.
8. Тертышник В.В., Зиновьев А.В. Методика расчета радиолокационных портретов аэродинамических объектов. Радиотехника и связь: материалы Междунар. науч.-техн. конф., посвящ. 15-летию каф. Радиотехники. Саратов, Сарат. гос. техн. ун-т. 2004. С.11-24.
9. Филиппских Е.Э., Попов А.В., Галкин Ф.А. Модельно-ориентированная методика расчета радиолокационных портретов (сигнатур) металлических объектов. Труды ВКА им. А.Ф.Можайского: материалы XXXII Всероссийского симпозиума «Радиолокационное исследование природных сред». СПб., ВКА им. А.Ф. Можайского. 2021. С.87-99.
10. Иванов В.Г., Гаврилин И.В., Насыпов Д.Н. Интегрированная электронная карта как единая информационная система боевой обстановки САПР и графика. 2017. №8. С.67-72.
Для цитирования:
Белокопытов М.Л., Шленских Д.А., Морозов С.В., Сирота С.В. Мониторинг объектов морского судоходства по аэрокосмическим данным дистанционного зондирования в СВЧ диапазоне с применением нейросетевых технологий. Журнал радиоэлектроники [электронный журнал]. 2022. №4. https://doi.org/10.30898/1684-1719.2022.4.2