Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (10.2022) : Оценка и тестирование возможностей нейросетевых алгоритмов для обеспечения автоматизации дешифрирования графической информации в комплексах дистанционного зондирования Земли

Оценка и тестирование возможностей нейросетевых алгоритмов для обеспечения автоматизации дешифрирования графической информации в комплексах дистанционного зондирования Земли

DOI: 10.17586/1023-5086-2022-89-10-68-79

УДК 519.688

Ссылка для цитирования: Мингалев А.В., Белов А.В., Габдуллин И.М., Марданова Д.А., Агафонова Р.Р., Шушарин С.Н., Шлеймович М.П. Оценка и тестирование возможностей нейросетевых алгоритмов для обеспечения автоматизации дешифрирования графической информации в комплексах дистанционного зондирования Земли // Оптический журнал. 2022. Т. 89. № 10. С. 68–79. http://doi.org/10.17586/1023-5086-2022-89-10-68-79

 

Александр Владимирович Мингалев1*, Андрей Вячеславович Белов2, Ильдар Масхутович Габдуллин3, Диляра Айратовна Марданова4, Регина Ренатовна Агафонова5, Сергей Николаевич Шушарин6, Михаил Петрович Шлеймович7

1, 2, 3, 4, 5, 6Научно-производственное объединение «Государственный институт прикладной оптики», Казань, Россия

7Казанский национальный исследовательский технический университет им. А.Н. Туполева — КАИ, Казань, Россия

1gipo@telebit.ru             https://orcid.org/0000-0001-5848-1992

2gipo@telebit.ru             https://orcid.org/0000-0001-8623-5377

3gipo@telebit.ru             https://orcid.org/0000-0003-0835-8325

4gipo@telebit.ru             https://orcid.org/0000-0001-5340-236X

5gipo@telebit.ru             https://orcid.org/0000-0002-8801-716X

6gipo@telebit.ru             https://orcid.org/0000-0002-9218-6900

7mpshleymovich@kai.ru   https://orcid.org/0000-0002-3021-5139

Аннотация

Предмет исследования. В данной работе представлены результаты сравнительного анализа и тестирования возможностей применения некоторых детектирующих нейросетевых алгоритмов, а также программных интерфейсов и библиотек машинного обучения для выполнения дешифрирования графических данных, формируемых сканерными тепловизионными съёмочными системами, в режиме реального времени. Метод. В качестве основных критериев оценки детектирующих алгоритмов были выбраны такие показатели, как наличие программных интерфейсов для интеграции и адаптации алгоритмов в разрабатываемое программное обеспечение, скорость обработки данных, точность детектирования объектов. Оценка критериев выполнялась на основе практических экспериментов с обучением и запуском нейросетевых алгоритмов в тестовом программном обеспечении на ЭВМ различных конфигураций. Основные результаты. Показано, что современные нейросетевые алгоритмы позволяют обрабатывать графические данные с точностью обнаружения объектов заданных классов на изображениях, позволяющей автоматизировать процесс дешифрирования графической информации для обработки графических данных, формируемых сканерными тепловизионными съёмочными системами, в режиме реального времени. Практическая значимость. Результаты выполненных исследований и тестов, приведённые в данной работе, могут оказаться полезными и сократят время поиска для разработчиков, которым необходимо определить базовые нейросетевые алгоритмы для решения практических задач автоматизации, связанных с обработкой графической информации. Реализация рассмотренных алгоритмов в разрабатываемом программном обеспечении позволит выполнять дешифрирование графической информации в процессе выполнения съёмочных работ в режиме реального времени за счёт уменьшения объёма обрабатываемой оператором информации, что делает возможным исключить этап постобработки из технологической цепочки выполнения съёмочных работ.

Ключевые слова: нейросетевые алгоритмы, детектирование объектов, машинное обучение, сканерные тепловизионные съёмочные системы

Коды OCIS: 150.0150, 100.0100.

 

СПИСОК ИСТОЧНИКОВ

1.    Jonathan Huang, Vivek Rathod, Chen Sun, Menglong Zhu, Anoop Korattikara, Alireza Fathi, Ian Fischer, Zbigniew Wojna, Yang Song, Sergio Guadarrama, Kevin Murphy. Speed/accuracy trade-offs for modern convolutional object detectors // arXiv:1611.10012v3 [cs.CV] 25 Apr 2017, http://doi.org/10.48550/arXiv.1611.10012

2.   Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam. MobileNets: Efficient convolutional neural networks for mobile vision applications // arXiv:1704.04861v1 [cs.CV] 17 Apr 2017, http://doi.org/:10.48550/arXiv.1704.04861

3.   Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov, Liang-Chieh Chen. MobileNetV2: Inverted residuals and linear bottlenecks // arXiv:1801.04381v4 [cs.CV] 21 Mar 2019. http://doi.org/10.48550/arXiv.1801.04381

4.   Joseph Redmon, Ali Farhadi. YOLO9000: Better, faster, stronger // arXiv:1612.08242v1 [cs.CV] 25 Dec 2016. http://doi.org/10.48550/arXiv.1612.08242

5.   Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao. YOLOv4: Optimal speed and accuracy of object detection // arXiv:2004.10934. http://doi.org/10.48550/arXiv.2004.10934

6.   Ren S., He K., Girshick R., Sun J. Faster r-cnn: Towards real-time object detection with region proposal networks // In Advances in neural information processing systems. 2015. P. 91–99.

7.    ImageNet Large Scale Visual Recognition Challenge 2017 (ILSVRC2017)

8.   Tsung-Yi Lin, Michael Maire, Serge Belongie, Lubomir Bourdev, Ross Girshick, James Hays, Pietro Perona, Deva Ramanan, C. Lawrence Zitnick, Piotr Dollár. Microsoft COCO: Common objects in context // arXiv:1405.0312v3 [cs.CV] 21 Feb 2015.http:// doi.org/10.48550/arXiv.1405.0312

9.   Электронный ресурс URL: https://opencv.org

10. Электронный ресурс URL: https://www.tensorflow.org

11.  Электронный ресурс URL: https://onnx.ai

12.  Электронный ресурс URL: https://developer.nvidia.com/tensorrt

13.  Электронный ресурс URL: http://Caffe.berkeleyvision.org (дата обращения 02.10.2017)

14.  Электронный ресурс URL: https://pjreddie.com/darknet

15.  Электронный ресурс URL:  https://Intel.com

16.  Мингалев, А.В. Распознавание тест-объектов на тепловизионных изображениях / Мингалев А.В., Белов А.В., Габдуллин И.М., Агафонова Р.Р., Шушарин С.Н. // Компьютерная оптика. 2019. Т. 43. № 3. С. 402–411. http:// doi.org/ 10.18287/2412-6179-2019-43-3-402-411.

17.  Электронный ресурс URL: https://habr.com/ru/company/recognitor/

18. Kendrick Boyd, Kevin H. Eng, C. David Page. Area under the precision-recall curve: Point estimates and confidence intervals // In Machine Learning and Knowledge Discovery in Databases. 2013. P. 451–466 / Lecture Notes in Computer Science. V. 8190. Ed. by Blockeel H., Kersting K., Nijssen S., Železný F. Springer. 2013. http://doi.org/10.1007/978–3-642–40994–3_29

19.  Saito T., Rehmsmeier M. The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets // PLoS One. 2015. 10,3: e0118432.

20. Электронный ресурс URL: http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_coco_2018_01_28.tar.gz

21.  Электронный ресурс URL: http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v2_coco_2018_03_29.tar.gz

22. Электронный ресурс URL: http://download.tensorflow.org/models/object_detection/faster_rcnn_inception_v2_coco_2018_01_28.tar.gz

23. Электронный ресурс URL: https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.conv.29

24. Электронный ресурс URL: https://drive.google.com/file/d/18v-36esoXChPsOKwyP-2GWrpYDptDY8Zf/view?usp=sharing

25.      Электронный ресурс URL: https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.conv.29