НЕЙРОМЕРЕЖЕВЕ РОЗПІЗНАВАННЯ ВІЙСЬКОВИХ ТРАНСПОРТНИХ ЗАСОБІВ НА АЕРОКОСМІЧНИХ ЗОБРАЖЕННЯХ З ВИКОРИСТАННЯМ МОДИФІКОВАНОЇ АРХІТЕКТУРИ YOLOV8 ТА ЧАСТОТНО-ПРОСТОРОВИХ ОЗНАК
DOI:
https://doi.org/10.32782/mathematical-modelling/2026-9-1-14Ключові слова:
нейронні мережі, глибоке навчання, YOLO, аерокосмічні зображення, військові транспортні засоби, розпізнавання об’єктівАнотація
У роботі представлено модифіковану архітектуру YOLOv8 для автоматизованого розпізнавання військових транспортних засобів на аерокосмічних зображеннях високої роздільної здатності. Запропонована архітектура інтегрує модуль частотно-просторового підсилення ознак (Freq-SpaFEM), модифіковану двонаправлену піраміду ознак (BiFPN), а також орієнтовані обмежувальні рамки (OBB). Процес навчання нейронної моделі здійснено протягом 320 епох, що забезпечило стабільну збіжність та високу здатність до узагальнення на валідаційних даних. Експериментальні результати засвідчили ефективність запропонованого методу: досягнуто значення mAP@50 на рівні 98,6 %, точності (Precision) – 98,7 % та повноти (Recall) – 95,7 %. Проведений порівняльний аналіз модифікованої архітектури YOLOv8 із базовими моделями, зокрема YOLOv5, YOLOv9, YOLOv11 та стандартною YOLOv8, підтвердив підвищення точності розпізнавання військових транспортних засобів на аерокосмічних зображеннях, зменшення кількості хибнопозитивних і хибнонегативних результатів. Наукова новизна полягає у розробленні нейромережевого методу розпізнавання військових транспортних засобів на аерокосмічних зображеннях, який базується на поєднанні комбінованого частотно-просторового механізму ознак із модифікованою багаторівневою структурою BiFPN, механізмами уваги та застосуванням орієнтованих обмежувальних рамок у межах єдиної глибокої нейромережевої моделі YOLOv8. Аналіз матриць помилок підтвердив високу здатність моделі до розрізнення об’єктів і фонового середовища, що проявляється у високому рівні істинно позитивних результатів та мінімальному рівні хибнопозитивних спрацювань. Це свідчить про ефективність використання запропонованих модулів для підвищення інформативності ознак і точності локалізації. Для практичної реалізації розроблено програмний застосунок із використанням мови програмування Python та бібліотек глибокого навчання та інструментів комп’ютерного зору, що забезпечує можливість візуалізації та аналізу результатів у режимі реального часу.
Посилання
Robinson K., McKenna B., Rooney D. The relationship of risk to rules, values, virtues, and moral complexity: What we can learn from the moral struggles of military leaders. J. Bus. Ethics. 2022. Vol. 179. P. 749–766. https://doi.org/10.1007/s10551-021-04842-4
Peng H., Zhang Y., Yang S., Song B. Battlefield image situational awareness application based on deep learning. IEEE Intell. Syst. 2019. Vol. 35. P. 36–43. https://doi.org/10.1109/MIS.2019.2942701
Mei C., Fan Z., Zhu Q., Yang P., Hou Z., Jin H. A Novel scene matching navigation system for UAVs based on vision/inertial fusion. IEEE Sens. J. 2023. Vol. 23. P. 6192–6203. https://doi.org/10.1109/JSEN.2023.3242045
Zhou L., Leng S., Liu Q., Wang Q. Intelligent UAV swarm cooperation for multiple targets tracking. IEEE Internet Things J. 2021. Vol. 9. P. 743–754. https://doi.org/10.1109/JIOT.2021.3106339
Meng Q., Zhang L., Sun Z., Meng F., Wang L., Sun Y. Characterizing spatial and temporal trends of surface urban heat island effect in an urban main built-up area: A 12-year case study in Beijing, China. Remote Sens. Environ. 2018. Vol. 204. P. 826–837. https://doi.org/10.1016/j.rse.2017.10.027
Scuro V. Open-Source Intelligence (OSINT) for Researchers and Practitioners. 2025. https://doi.org/10.1007/978-3-032-02014-7_2
Carion N., Massa F., Synnaeve G. et al. End-to-end object detection with transformers. In Proceedings of the European Conference on Computer Vision (ECCV). Glasgow, UK, 23–28 August 2020. Springer, Cham. P. 213–229. https://doi.org/10.1007/978-3-030-58452-8_13
Wang W. et al. Pyramid vision transformer: A versatile backbone for dense prediction without convolutions. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). Virtual, 11–17 October 2021. P. 568–578. https://doi.org/10.1109/ICCV48922.2021.00061
Sumari A. D. W. et al. Automatic target recognition and identification for military ground-toair observation tasks using support vector machine and information fusion. In Proceedings of the 2022 International Conference on ICT for Smart Society (ICISS). Bandung, Indonesia, 10–11 August 2022. P. 1–8. https://doi.org/10.1109/ICISS55894.2022.9915201
Su H. et al. Object detection and instance segmentation in remote sensing imagery based on precise mask R-CNN. In Proceedings of the IGARSS 2019 – 2019 IEEE International Geoscience and Remote Sensing Symposium. Yokohama, Japan, 28 July–2 August 2019. P. 1454–1457. https://doi.org/10.1109/IGARSS.2019.8898160
Guo Z., Mu X., Chang C. et al. An Enhanced Framework for Small Object Detection with MiddleOrder Interaction and Adaptive Cross-Scale Aggregation. Engineering Applications of Artificial Intelligence. 2025. Vol. 130. https://doi.org/10.1016/j.engappai.2024.107736
Zhao X., Xia Y., Zhang W., Zheng C., Zhang Z. YOLO-ViT-Based Method for Unmanned Aerial Vehicle Infrared Vehicle Target Detection. Remote Sens. 2023. Vol. 15. 3778. https://doi.org/10.3390/rs15153778
Alrayes F. S., Ahmad N., Alshuhail A. et al. Convolutional Transform Learning-Based Fusion for Scale-Invariant Long-Term Target Detection in UAVs. Scientific Reports. 2025. Vol. 15. https://doi.org/10.1038/s41598-024-51123-x
Chutke S., Kumar V. V., Saravanakumar M. AI-Enhanced Image Processing for Target Detection and Threat Recognition in Defence Applications. In Proc. IEEE Conf. on Smart Technologies and Virtual Environments. 2025.
Wang J., Wu Y., Liu B. et al. Fourier aids CNN and transformer for semantic segmentation of remote sensing images. Multimedia Systems. 2025. Vol. 31. 451. https://doi.org/10.1007/s00530-025-02029-4
Tan M., Pang R., Le Q. EfficientDet: Scalable and Efficient Object Detection. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2020. P. 10778-10787. https://doi.org/10.1109/CVPR42600.2020.01079
Afifah V., Erniwati S. YOLOv8 for Object Detection: A Comprehensive Review of Advances, Techniques, and Applications. International Journal of Advanced Computing and Informatics. 2025. Vol. 2. P. 53–61. https://doi.org/10.71129/ijaci.v2i1.pp53-61
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
