МЕТОДИКА ПОБУДОВИ НЕЙРОННИХ МЕРЕЖ ДЛЯ ІДЕНТИФІКАЦІЇ ОЗБРОЄННЯ ТА ВІЙСЬКОВОЇ ТЕХНІКИ

Автор(и)
DOI:
https://doi.org/10.34169/2414-0651.2022.2(34).99-107
Ключові слова:
Array, Array, Array, Array, Array, Array
Анотація

У статті обґрунтовується доцільність використання штучних нейронних мереж (ШНМ) для ідентифікації озброєння та військової техніки (ОВТ) на основі аналізу цифрових фотографій (зображень) їх складових елементів. Показано, що дана проблема обумовлена зростанням: кількості зразків ОВТ, вимог до оперативності та необхідності автоматизації процесу ідентифікації ОВТ на основі аналізу цифрових фотографій (зображень). Запропонована універсальна методика побудови ШНМ яка дозволяє застосувати складні нейроні мережі типу AlexNet, GoogleNet, DarkNet-53, DarkNet-19, SgueezeNet, ResNet-50, ShuffleNet, NasNet-Mobile, а також створювати інші унікальні архітектури.
Показується, що задача ідентифікації ОВТ на основі аналізу цифрових фотографій (зображень) їх складових елементів може бути вирішена за допомогою запропонованої методики побудови ШНМ. Наводиться приклад реалізації даної методики з використанням ШНМ AlexNet, попередньо навченої на датасеті ImageNet. Для вирішення завдання підвищення ефективності ідентифікації ОВТ на основі аналізу цифрових фотографій (зображень) за 3 класами проведено модифікацію вихідного повнозв'язного шару попередньо навченої AlexNet з 1000 до 3 нейронів та додаткове навчання ШНМ AlexNet. Навчання ШНМ здійснювалося набором зображень, підготовленим з цифрових фотографій за трьома класами зображень: BagetIskander (обчислювач ракети Іскандер); Borisoglebsk (складові станції перешкод Борісоглебськ); RP_377 (складові станції перешкод РП-377). Обрані оптимальні параметри навчання: швидкість (крок) – 0,0001, кількість епох – 6, алгоритм оптимізації – SGDM; частота валідації – 6, розмір пакета (батча) – 4. Перевірка ефективності запропонованої моделі проводилася на наборі з 87 зображень, загальна кількість класів – 3. В якості основних показників ефективності нейронної мережі обрано точність, похибку навчання. В результаті отримано нову навчену модель с точністю ідентифікації (класифікації) валідаційної (тестової) вибірки – 96%, що підтверджує правильність вибору архітектури ШНМ та параметрів її навчання. Використання запропонованої методики дозволяє автоматизувати процес ідентифікації ОВТ на основі аналізу цифрових фотографій (зображень) складових елементів.

Біографії авторів
  1. автор Вадим Слюсар , афіліація Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

    доктор технічних наук, професор, головний науковий співробітник

  2. автор Михайло Проценко , афіліація Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

    кандидат технічних наук, старший науковий співробітник

Посилання

Xin, L., Chao, L. & He, L. (2021) Malicious code detection method based on image segmentation and deep residual network RESNET. 2021 Intern. Conf. on Computer Engineering and Application (ICCEA). Pp. 473—480. https://doi.org/10.1109/ICCEA53728.2021.00099. DOI: https://doi.org/10.1109/ICCEA53728.2021.00099

Xie, B., Yang, Z., Yang, L., Luo, R. & Wei, A. (2021) Multi-Scale Fusion With Matching Attention Model: A Novel Decoding Network Cooperated With NAS for Real-Time Semantic Segmentation, in IEEE Transactions on Intelligent Transportation Systems. Pp. 1—11. https://doi.org/10.1109/TITS.2021.3115705. DOI: https://doi.org/10.1109/TITS.2021.3115705

Yang, S., Hou, J., Jia Y., Mei, S. & Du, Q. (2021) Superpixel-Guided Discriminative Low-Rank Representation of Hyperspectral Images for Classification. In IEEE Transactions on Image Processing. Vol. 30. Pp. 8823—8835. https://doi.org/10.1109/TIP.2021.3120675. DOI: https://doi.org/10.1109/TIP.2021.3120675

Slyusar, V., Protsenko, M., Chernukha, A., Gornostal, S., Rudakov, S., Shevchenko, S., Chernikov, O., Kolpachenko, N., Timofeyev, V. & Artiukh, R. (2021). Construction of an advanced method for recognizing monitored objects by a convolutional neural network using a discrete wavelet transform. Eastern-European J. of Enterprise Technologies. No 4(9(112)). Pp. 65—77. https://doi.org/10.15587/1729-4061.2021.238601. DOI: https://doi.org/10.15587/1729-4061.2021.238601

Slyusar, V., Protsenko, M., Chernukha, A., Kovalov, P., Borodych, P., Shevchenko, S., Chernikov, O., Vazhynskyi, S., Bogatov, O. & Khrustalev, K. (2021). Improvement of the model of object recognition in aero photographs using deep convolutional neural networks. Eastern-European J. of Enterprise Technologies. No 5(2(113)). Pp. 6—21. https://doi.org/10.15587/1729-4061.2021.243094. DOI: https://doi.org/10.15587/1729-4061.2021.243094

Slyusar, V., Protsenko, M., Chernukha, A., Melkin, V., Petrova, O., Kravtsov, M., Velma, S., Kosenko, N., Sydorenko, O. & Sobol, M. (2021). Improving a neural network model for semantic segmentation of images of monitored objects in aerial photographs. Eastern-European J. of Enterprise Technologies. No 6(2(114)). Pp. 86—95. https://doi.org/10.15587/1729-4061.2021.248390. DOI: https://doi.org/10.15587/1729-4061.2021.248390

Slyusar, V., Protsenko, M., Chernukha, A., Melkin, V., Biloborodov, O., Samoilenko, M., Kravchenko, O., Kalynychenko, H., Rohovyi, A. & Soloshchuk, M. (2022). Improving the model of object detection on aerial photographs and video in unmanned aerial systems. Eastern-European J. of Enterprise Technologies. No 1(9(115)). Pp. 24—34. https://doi.org/10.15587/1729-4061.2022.252876. DOI: https://doi.org/10.15587/1729-4061.2022.252876

Слюсар В.І., Проценко М.М. Метод розпізнавання зображень об’єктів моніторингу нейронною мережею на основі дискретного вейвлет-перетворення. Prospects and achievements in applied and basic sciences. Матер. IV міжнар. наук. конф. 9−12 лютого 2021 р. Будапешт. C. 600—603. https://doi.org/10.46299/ISG.2021.I.IV. DOI: https://doi.org/10.46299/ISG.2021.I.IV

Слюсар В.І., Проценко М.М. Моніторинг об’єктів нейронною мережею на основі вейвлет-перетворення. Проблеми координації воєнно-технічної та оборонно-промислової політики в Україні. Перспективи розвитку озброєння та військової техніки: зб. матер. IX міжнар. наук.-практ. конф. Київ. 2021. C. 94.

Слюсар В.І., Проценко М.М. Модель детектування об'єктів у відеопотоці з використанням нейронної мережі. IV Міжнар. наук.-практ. конф. «Інтеграція інформаційних систем і інтелектуальних технологій в умовах трансформації інформаційного суспільства», що присвячена 50-ій річниці кафедри інформаційних систем та технологій, 21−22 жовтня 2021 р. Полтава: Полтавський держ. аграрний ун-т. С. 119—122. https://doi.org/10.32782/978-966-289-562-9. DOI: https://doi.org/10.32782/978-966-289-562-9

Zhu, P., Wen, L., Bian, X., Ling, H. & Hu, Q. (2018). Vision meets drones: Achallenge. Pp. 1—11. https://arxiv.org/pdf/1804.07437.pdf.

Офіційний сайт ImageNet. [Електронний ресурс] – Режим доступу: https://www.image-net.org/.

Krizhevsky, A., et al. (2017). ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM. No 6 (60). Pp. 84—90. https://doi.org/10.1145/3065386. DOI: https://doi.org/10.1145/3065386

Szegedy, C., Liu, W. & Jia, Y. (2014). Going deeper with convolutions. Pp. 1—12. Available at: https://arxiv.org/pdf/1409.4842v1.pdf.

Yulin, T., Jin, S., Bian, G. & Zhang, Y. (2020). Shipwreck target recognition in side-scan sonar images by improved YOLOv3 model based on transfer learning. IEEE Access 2020. Vol. 8. Pp. 173450—173460. Available at: https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9200467. DOI: https://doi.org/10.1109/ACCESS.2020.3024813

Redmon, J. & Farhadi, A. (2016). YOLO9000: Better, Faster, Stronger. Computer Vision and Pattern Recognition (CVPR). Pp. 1—9. Available at: https://arxiv.org/abs/1612.08242v1.

Офіційний сайт SgueezeNet [Електронний ресурс]. – Режим доступу: https://www.kdnuggets.com/2016/09/deep-learning-reading-group-squeezenet.html.

He, K., Zhang, X., Ren, S. & Sun, J. (2015). Deep Residual Learning for Image Recognition. Computer Vision and Pattern Recognition (CVPR). Pp. 1—12. Available at: https://arxiv.org/pdf/1512.03385.pdf.

Zhang, X., Zhou, X., Lin, M. & Sun, J. (2018) ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices. Computer Vision and Pattern Recognition (CVPR). Pp. 1—9. Available at: https://arxiv.org/pdf/1707.01083v2.pdf.

Zoph, B., Vasudevan, V., Shlens, J. & Quoc, V, (2018). Learning Transferable Architectures for Scalable Image Recognition Computer Vision and Pattern Recognition (CVPR). Pp. 1—14. Available at: https://arxiv.org/pdf/1707.07012.pdf.

Слюсар В.І. Архітектурно-математичні основи удосконалення нейронних мереж з класифікації зображень. Штучний інтелект. 2022. №1. С. 127 — 138. https://doi.org/10.15407/jai2022.01.127.

Cover Image
Завантаження
Опубліковано
30.06.2022
Номер
Том 34 № 2 (2022): Озброєння та військова техніка
Розділ
СИСТЕМИ АВТОМАТИЗОВАНОГО УПРАВЛІННЯ
Ліцензія

Авторське право (c) 2022 Вадим Слюсар ,Михайло Проценко ,Олег Докучаєв

Creative Commons License

Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.

Як цитувати

МЕТОДИКА ПОБУДОВИ НЕЙРОННИХ МЕРЕЖ ДЛЯ ІДЕНТИФІКАЦІЇ ОЗБРОЄННЯ ТА ВІЙСЬКОВОЇ ТЕХНІКИ . (2022). Озброєння та військова техніка, 34(2), 99-107. https://doi.org/10.34169/2414-0651.2022.2(34).99-107

Статті цього автора (цих авторів), які найбільше читають

1 2 > >>