Алгоритмы определения навигационных параметров по изображению подстилающей поверхности для беспилотного летательного аппарата с использованием сегментационных нейронных сетей тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Парфентьев Кирилл Викторович

• Парфентьев Кирилл Викторович
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Парфентьев Кирилл Викторович

Введение

Глава 1. Анализ современного состояния навигационных систем летательных аппаратов]

1.1 Современное состояние беспилотной авиации

1.2 Классификация беспилотных летательных аппаратов

1.3 Задачи, выполняемые беспилотными летательными аппаратами

1.4 Перспективы развития беспилотной авиации

1.5 Системы навигации, применяемые в беспилотной авиации

1.6 Системы навигации, основанные на анализе подстилающей поверхности

Выводы по Главе

Глава 2. Технические средства для получения моделей подстилающей

поверхностей

2.1 Оптический метод сканирования подстилающей поверхности

2.2 Радарный метод сканирования подстилающей поверхности

2.3 Лидарный метод сканирования подстилающей поверхности

2.4 Инфракрасный метод сканирования подстилающей поверхности

2.5 Применение видеоспектрометров для сканирования подстилающей поверхности

Выводы по Главе

Глава 3. Разработка алгоритма выделения границ для задачи дистанционного

зондирования земли с сенсоров широкого спектрального диапазона

3.1 Методы выделения границ, основанные на разнице градиентов

3.2 Методы выделения границ, основанные на других принципах

3.3 Применение алгоритмов выделения границ в задаче дистанционного зондирования Земли

Стр.

3.4 Модифицированный алгоритм выделения границ, адаптированный для

задачи построения моделей подстилающей поверхности

3.5 Применение алгоритма выделения границ на изображениях различных

спектральных диапазонов

Выводы по Главе

Глава 4. Использование нейросетевых технологий глубокого обучения в

задаче выделения границ на изображениях

4.1 Глубокое обучение в задачах компьютерного зрения

4.2 Разработка нейросетевой модели для улучшения алгоритма выделения границ

4.3 Обучение нейронной сети

4.4 Тестирование нейронной сети

Выводы по Главе

Глава 5. Применение моделей подстилающей поверхности для определения

географических параметров

5.1 Методы компьютерного зрения для решения задачи локализации

5.2 Сравнение алгоритмов выделения признаков в задаче определения местоположения

5.3 Определение навигационных параметров на основе метода выделения признаков на изображении

5.4 Общий вид системы определения местоположения по изображению подстилающей поверхности

5.5 Тестирование системы для случая отсутствия заранее подготовленной информации

Выводы по Главе

Общие выводы по диссертации

Список сокращений и условных обозначений

Стр.

Список литературы

Приложение

Введение диссертации (часть автореферата) на тему «Алгоритмы определения навигационных параметров по изображению подстилающей поверхности для беспилотного летательного аппарата с использованием сегментационных нейронных сетей»

ВВЕДЕНИЕ

Актуальность темы исследования обусловлена растущим спросом на беспилотные летательные аппараты (БЛА) и несовершенством широко применяемых методов навигации. Растущий спрос на БЛА обоснован не только экономическими соображениями [1], а именно, относительной дешевизной конструкции, но и возможностью выполнять задачи повышенного риска. БЛА применяются в боевых действиях [2], сельском хозяйстве [3], фотограмметрии [4], при мониторинге пожаров [5], месторождений полезных ископаемых [6], автомобильного трафика [7]. Однако для решения всех этих задач и корректного функционирования БЛА необходима надежная и точная система навигации.

К недостаткам наиболее распространенных в настоящее время спутниковых навигационных систем (СНС) можно отнести ошибки, вызываемые «многолучевостью», которая вызвана многократными переотражениями сигнала со спутника от окружающих предметов и поверхностей до того, как сигнал попадает в антенну приемника и дифракцией на небольших объектах, находящихся на пути радиолуча, соизмеримых с длиной волны [8]. При этом радиолуч проходит по другому пути, что вызывает изменение его амплитуды и фазы. Другим фактором, ухудшающим результаты спутниковых измерений, могут также стать помехи от близко расположенных мощных источников радиоизлучений: локаторов, теле- и радиопередающих станций. Другой проблемой является, что сигнал, поступающий приемник спутниковой навигационной системы можно исказить. Спуфинг-атака на глобальные системы спутниковой навигации— атака, которая пытается обмануть приемник, широковещательно передавая немного более мощный сигнал, чем полученный от спутников, такой, чтобы быть похожим на ряд нормальных сигналов [9]. Эти имитирующие сигналы изменены таким способом, чтобы заставить получателя неверно определять своё местоположение, считая его таким, какое отправит атакующий. Таким приемом БЛА можно сбить или даже перехватить.

Обладающие такими достоинствами, как автономность и надежность, инерциальные навигационные системы (ИНС) тоже не лишены недостатков, главными из которых является неограниченное накопление методической ошибки и ошибки, связанной с изначальной калибровкой системы [10]. Для устранения этого недостатка применяют физические и алгоритмические методы. Но в первом случае система частично теряют преимущества, связанные с простотой конструкции и компактностью: этот метод предполагает помещение системы на гироплатформе, датчики которой используются как для стабилизации приборов, так и для навигации. Во втором случае частично теряется автономность инерциальной навигационной системы, поскольку происходит ее совмещение с другими способами навигации. Такие навигационные системы называются интегрированными.

Частично эти недостатки устраняются комбинированными навигационными системами, в которых происходит комплексирование информации, поступающей с инерциальной и спутниковой навигационных систем [11].

Другим подходом к решению задачи определения местоположения БЛА является анализ подстилающей поверхности на основе цифровых изображений, полученных в различных спектральных диапазонах [12]. Основной проблемой в построении моделей подстилающей поверхности являются изменчивые условия съемки, такие как освещенность, осадки, угол и высота съемки. В рамках работы исследованы технологии построения моделей подстилающей поверхности с использованием различных технических (оптических и радарных) и программных средств.

Степень разработанности темы исследования. В работах отечественных и зарубежных авторов встречаются теоретические и методологические разработки, охватывающие важные аспекты изучаемой области. Научные основы методов выделения границ на изображениях, основанных на разнице градиентов, заложены в работах Л. Робертса (Lawrence Gilman Roberts) [13], Д. Прюитта (Judith Prewitt) [14], И. Собеля (Irwin Sobel) [15], Г. Фелдмана (Gary Feldman) [16],

Д. Кэнни (англ. John F. Canny) [17], В.А. Ковалевского [18] и других ученых. Методы выделения границ, основанные на разнице гауссианов исследовались в работах Г. Канга (Henry. Kang) [19], С. Ли (Seungyong Lee) [20], Ч. Чуи (Charles K. Chui) [21], Я. Киприанидиса (Kyprianidis Jan Eric) [22], Ю. Дольнера (Jürgen Döllner) [23]. В работах авторов П. Арбелаеса (Pablo Arbelaez) [24], М. Майера (Michael Maire) [25], Р. Сяофенга (Ren Xiaofeng) [26], Л. Бо (Liefeng Bo) [27] рассматривались методы выделения границ, основанные на мультимасштабных функциях.

Основы глубокого обучения были заложены в работах А.Г. Ивахненко [28], В.Г. Лапы [29], Р. Дехтер (Rina Dechter) [30], К. Фукусимы (Kunihiko Fukushima) [31], Я. Лекуна (Yann LeCun) [32].

Применение алгоритмов глубокого обучения в задачах сегментации изображений были описаны в работах Г. Ванга (Guotai Wang) [33], В.К. Говиндана (V. K. Govindan) [34], Е. Шелхамера (Evan Shelhamer) [35], Д. Лонга (Jonathan Long) [36], О. Роннербергера (Olaf Ronneberger) [37], Ф. Фишера (Philipp Fischer) [38], Т. Брокса (Thomas Brox) [39].

Анализ существующих отечественных и зарубежных работ в области цифровой обработки изображений показал, что требуется их дальнейшее развитие и совершенствование в части разработки алгоритмов выделения границ с учетом специфики мультиспектральных изображений, что обусловливает актуальность темы исследования.

Цель и задачи исследования является разработка и исследование алгоритмов определения местоположения и курса БЛА на основе данных, полученных с сенсоров различного спектрального диапазона.

Для достижения поставленной цели в диссертационной работе решаются следующие основные задачи:

- разработка алгоритма выделения границ, адаптированный под построение моделей подстилающей поверхности в различных спектральных диапазонах

- разработка структуры искусственной нейронной сети для коррекции изображений, получаемых методом выделения границ;

- обучения искусственной нейронной сети и комплексирование данных, полученных с сенсоров различного спектрального диапазона;

- разработка алгоритма коррекции полученной нейронной сети в реальном времени под изменчивые условия съемки;

- определение местоположения и курса БЛА на основе полученных с искусственной нейронной сети данных, используя алгоритмы выделения признаков;

Объектом исследования является система технического зрения, получающая цифровую модель подстилающей поверхности при использовании сенсоров различного спектрального диапазона.

Предметом исследования является получение моделей подстилающей поверхности с сенсоров широкого спектрального диапазона.

Методология и методы исследования. При решении поставленных задач использовались методы цифровой обработки сигналов, технологии искусственных нейронных сетей, алгоритмы компьютерного зрения, системный анализ, методы математического моделирования и программный пакет МАТЬАВ.

Научная задача заключается в разработке алгоритмов построения моделей подстилающей поверхности, инвариантных к условиям съемки.

Соответствие паспорту научной специальности. Область исследования соответствует направлениям исследования специальности 2.3.1 - «Системный анализ, управление и обработка информации, статистика».

Научная новизна заключается в следующем:

1. Предложен модифицированный алгоритм выделения границ, адаптированный для изображения подстилающей поверхности в различных спектральных диапазонах.

2. Построена нейросетевая модель, содержащая слои свертки, деконволюции и сегментации и способная решать задачу коррекции полученных

изображений.

3. Предложенная нейросетевая модель адаптирована для комплексирования данных, полученных, как с разных датчиков, так и разными алгоритмами обработки.

4. Добавлена возможность корректировать весовые коэффициенты нейросетевой модели в процессе полета БЛА, что может позволить включать ее в контур системы управления.

Основные научные результаты, полученные в ходе исследования лично автором и выносимые на защиту, заключаются в следующем:

1. Разработанный алгоритм обработки изображений позволяет выделять границы в задаче построения моделей подстилающей поверхности, в том числе за пределом видимого спектрального диапазона.

2. Применение сегментационных нейросетевых технологий позволило скорректировать полученные моделей подстилающей поверхности.

3. Комплексирование данных, полученных с сенсоров различного спектрального диапазона и в результате цифровой обработки изображений.

4. Коррекция нейросетевой модели в процессе полета БЛА позволяет обеспечить адекватность получаемых навигационных параметров.

Теоретическая значимость диссертационного исследования заключается в развитии научно-методического аппарата в области выделения границ на изображениях с использованием подходов глубокого обучения.

Практическая ценность диссертационной работы состоит в разработке алгоритмов построения моделей подстилающей поверхностей, инвариантных к условиям съемок. Решена задача комплексирования данных, полученных с датчиков разных спектральных диапазонов. Предложен алгоритм коррекции для получения моделей подстилающей поверхности в режиме реального времени. На основании полученных моделей решены задачи определения местоположения, включая высоту, скорости и курса. Разработанные алгоритмы определения навигационных параметров по изображению подстилающей поверхности могут

быть реализованы в системах по сбору информации с сенсоров широкого спектрального диапазона для отечественных автономных летательных аппаратов ударного типа.

Внедрение результатов работы. Результаты диссертации использованы для разработки программного обеспечения производителей военной и гражданской техники высокотехнологичными решениями в таких авиационных предприятиях, как ЗАО «Инерциальные технологии «Технокомплекса» и НИИ «ИСУ» МГТУ им. Н.Э. Баумана, а также в учебном процессе на кафедре «Системы автоматического управления» факультета «Информатика и системы управления» МГТУ им. Н.Э. Баумана в рамках дисциплин «Нейросетевые технологии в задачах системного анализа», «Цифровая обработка сигналов», «Методы и технологии искусственного интеллекта», «Системы распознавания образов», «Методы и технологии машинного обучения».

Обоснованность и достоверность научных положений и результатов подтверждены корректным использованием математических методов, моделей и алгоритмов, а также достаточным объемом численного моделирования и полученными непротиворечивыми результатами.

Апробация результатов исследования. Результаты исследований докладывались и обсуждены на следующих конференциях, симпозиумах и семинарах: Академические чтения по космонавтике, посвященные памяти академика С.П. Королёва и других выдающихся отечественных ученых -пионеров освоения космического пространства (2014-2022 гг.); II международной научно-практической конференции, посвящённой 105-летию со дня рождения адмирала флота СССР дважды героя Советского Союза Сергея Георгиевича Горшкова (2018); Мультиконференции по проблемам управления УМАС (2014, 2016); Одиннадцатом международном симпозиуме «Интеллектуальные системы»; научном семинаре кафедры «Системы автоматического управления» МГТУ им. Н.Э. Баумана (Москва, 2021 г.).

Публикации. Основные положения и результаты диссертации изложены в 29 научных работах, из них 5 статей опубликованы в изданиях, включенных в

перечень рекомендованных ВАК РФ и 2 работы в изданиях, индексируемых в Scopus и Web of Science, общим объемом 13.25 п.л./6.63 п.л.

Структура и содержание работы. Диссертация изложена на 153 страницах и состоит из введения, пяти глав, с выводами по каждой из них, общих выводов по диссертационной работе, списка сокращений и условных обозначений, списка литературы из 313 наименований и 5 приложений, содержит 17 таблиц и 44 рисунка.

Во введении отражена актуальность диссертационной работы, определены цель и задачи исследования, изложены научная новизна, теоретическая значимость и практическая ценность, приведены основные научные результаты, выносимые на защиту, а также сведения о реализации и публикациях полученных результатов.

В первой главе диссертации рассмотрены современное состояние БЛА, типы, тенденции, экономическое обоснование, перспективы развития, сферы применения. Рассмотрены навигационные системы, их погрешности и особенности функционирования. Представлены спутниковые и инерциальные навигационные системы и их недостатки и достоинства. Рассмотрены слабосвязанные и сильносвязанные системы комплексирования навигационной информации. Представлен обзор основных работ в области комплексированных навигационных систем. Обоснован выбор в пользу анализа подстилающей поверхности на основе цифровых изображений. Приведен обзор существующих работ в данной области.

Во второй главе диссертации рассмотрены различные мультиспектральные методы построения изображений. Описаны технологии получения изображений с лидаров, радиолокаторов, оптических камер, инфракрасных камер, видеоспектрометров. Для каждой из технологий представлены достоинства, недостатки, примеры использования. Приведены примеры мультиспектральных оптико-электронных комплексов. Произведена оценка влияния

метеорологических условий, времени дня и года на использование оптических датчиков. Рассмотрены примеры комплексирования датчиков различного спектрального диапазоны при решении задач технического зрения. Произведен

обзор использования датчиков различного спектрального диапазона на БЛА различного предназначения.

В третьей главе диссертации рассмотрены известные методы выделения границ: оператор Робертса, оператор Собеля, оператор Кэнни. Выявлены достоинства и недостатки этих подходов. На их основе предложен модифицированный подход к выделению границ на цифровых изображений. Алгоритм содержит следующие шаги: перевод изображения в полутоновое и гауссова фильтрация изображения, получение градиентного изображения, пороговая фильтрация в зависимости от числа градация и типа изображения, медианная фильтрация нечетным размером окна для сохранения числа градаций яркости. Приведены результаты тестирования алгоритма, подтверждающие его эффективность для снимков, полученных с датчиков различного спектрального диапазона.

В четвертой главе диссертации рассмотрены нейросетевые подходы к обработке изображений, приведен обзор и сравнение структур и характеристик моделей глубокого обучения, используемых в задаче сегментации изображений. Предложена нейросетевая ациклическая направленная модель, состоящая из 58 слоев, включающая сверточные, разверточные, сегментационный и полносвязный слои. В модели для наилучшего извлечения информации параллельно происходят разные уровни кодирования-декодирования (свертки-развертки), после эти слои объединяются и поступают на слой сегментации. Также модель позволила решить задачу комплексирования данных, полученных с датчиков различного спектрального диапазона. Представлены полученные параметры обучения модели и точности обучения моделей сегментации изображений. Результаты моделирования подтвердили высокую эффективность предложенных алгоритмов.

В пятой главе диссертации рассмотрены алгоритмы выделения признаков на изображениях. Рассмотрены проблемы получения географических координат из результатов обработки изображений. Предложен и протестирован

программный продукт для снимков, полученных с борта беспилотного летательного аппарата оптической камерой.

В заключении представлены основные результаты и общие выводы по диссертационной работе, определены пути их эффективной реализации и направления дальнейших исследований по проблематике диссертации.

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ НАВИГАЦИОННЫХ

СИСТЕМ ЛЕТАТЕЛЬНЫХ АППАРАТОВ

1.1 Современное состояние беспилотной авиации

В настоящее время спрос на применение беспилотных летательных аппаратов (БЛА) непрерывно увеличивается. Растущий спрос на БЛА обоснован:

1. Экономическими соображениями [40], такими как: экономический показатель продукции и экономический показатель эксплуатации.

Экономическим показателем производства является отношение стоимости разработки к стоимости эксплуатации. Для пилотируемых летательных аппаратов этот показатель, характеризуемый соотношением «стоимость разработки: производство: эксплуатация», равен 1:3:6, а для БЛА — 1:2,5:3 [41]. Экономический показатель эксплуатации включает значительно меньшие затраты на обучение операторов по сравнению с затратами на обучение пилотов, а также меньшие затраты на техническое обслуживание БЛА. Таким образом, серийный боевой беспилотный вертолет должен стоить в несколько раз меньше, чем пилотируемый вертолет, тогда как стоимость его эксплуатации будет меньше не менее чем в два раза. [42].

2. Эффективностью решения задач с точки зрения веса: отсутствие пилота и кабины позволяет нести большую общую полезную нагрузку и иметь больший запас топлива [43].

3. Оперативностью и мобильностью применения: для БЛА необязатальна специальная платформа для взлета, посадки и обслуживания [44].

4. Летными показателями, такими как предельные перегрузки и продолжительность полета. В связи с отсутствием ограничивающих факторов, связанных с присутствием пилота на борту, БЛА способны обеспечивать полеты

продолжительностью более суток, с перегрузками более 10g и длительными полетами в различных положениях [45].

5. Аэродинамическими показателями в виду отсутствия необходимости конструирования кабины пилота [46].

6. Живучестью и меньшей уязвимостью к системам противовоздушной обороны противника противника. Относительно небольшие размеры обуславливают малую эффективную площадь рассеяния, что позволяет преодолевать средства противовоздушной обороны противника [47]. БЛА также характеризуется меньшей уязвимостью на позиции старта.

7. Возможностью выполнять задачи повышенного риска [48]. Из-за отсутствия человека на борту, аппараты способны принимать участие в задачах, связанных с чрезвычайными ситуациями и военными операциями.

8. Экологическими показателями. Беспилотные летательные аппараты могут иметь меньший расход топлива, использовать более широкий спектр видов энергоносителей, в том числе и летать от солнечной батареи. Это существенно снижает вред, причиняемый окружающей среде [49].

1.2 Классификация беспилотных летательных аппаратов

В настоящее время нет общепринятой системы классификации БЛА [50]. Тем не менее, на основе отечественных и зарубежных разработок можно предложить несколько видов классификаций на основе решаемых задач, массо -габаритных параметров и режимов управления.

Современные БЛА по областям их применения делятся на три основные группы: военного, гражданского и антитеррористического назначения [51]. Классификация по областям применения приведена на Рисунке 1.1.

Рисунок 1.1. Классификация БЛА по областям применения

Другой вид классификации БЛА исходит из таких взаимосвязанных параметров как масса, время, дальность и высота полета. Можно выделить следующие классы [52]:

1. Микро - массой до 10 кг, временем полета около часа и высотой полета до 1 км

2. Мини - массой до 50 кг, временем полета несколько часов и высотой полета до 5 км

3. Средние - массой до одной тонны, временем полета 10-12 часов и высотой полета до 10 км

4. Тяжелые - высотой полета более 10 км и временем полета свыше 24

часов.

Еще одним признаком классификации БЛА может быть способ управления. Выделяют три класса: БЛА ручного управления, БЛА автоматического управления и БЛА полуавтоматического управления [53].

Ручное управление оператором (или дистанционное пилотирование) производится с пульта дистанционного управления в пределах оптической видимости или по обзорной информации, поступающей с видеокамеры переднего обзора. При таком управлении оператор в первую очередь решает задачи

пилотирования: выдерживание заданного курса, высоты и других параметров [54].

Автоматическое управление обеспечивает возможность полностью автономного полета БЛА по заданной траектории на заданной высоте с заданной скоростью и со стабилизацией углов ориентации. Автоматическое управление осуществляется с помощью бортовых программных устройств [55].

Полуавтоматическое управление (или дистанционное управление) заключается в том, что полет осуществляется автоматически с помощью автопилота по изначально заданным параметрам, но оператор может вносить изменения в маршрут в интерактивном режиме. Таким образом, оператор имеет возможность влиять на результат эксплуатации, не отвлекаясь на задачи пилотирования [56].

Ручное управление может быть одним из режимов работы БЛА, а может быть и единственным способом управления. Беспилотные летательные аппараты, лишенные каких-либо средств автоматического управления полетом, не могут рассматриваться как платформа для выполнения серьезных целевых задач.

Последние два метода в настоящее время наиболее востребованы операторами беспилотных систем, так как предъявляют наименьшие требования к обучению персонала и обеспечивают безопасную и эффективную эксплуатацию беспилотных летательных аппаратов. Полностью автоматическое управление может стать оптимальным решением для задач аэрофотосъемки заданной местности, когда необходимо снимать на большом расстоянии от базы, вне связи с наземной станцией. В то же время, поскольку ответственность за полет несет лицо, осуществляющее запуск, возможность влиять на полет с наземной станции может помочь избежать аварийных ситуаций.

1.3 Задачи, выполняемые беспилотными летательными аппаратами

Гражданские БПЛА - это, прежде всего, информационные системы, целевая функция которых заключается в оперативном приеме, накоплении и анализе информации для формирования достоверной информации об управляемых процессах и объектах, использовании полученной информации для повышения эффективности управления полетом БЛА при решении целевых задач. Поэтому состав и качество целевого оборудования, а также качественные характеристики цифровой системы автоматического управления полетом БЛА как составной части бортовой информационно-управляющей системы имеют первостепенное значение для выбора технического облика БЛА [57].

Задачи, решаемые гражданскими БЛА:

• определение и нахождение естественных катастроф [58];

• детектирование загрязнений земной и водной поверхностей [59];

• задачи экологического мониторинга - обнаружение и слежение за динамикой пожаров; слежение за ходом лесовосстановления на вырубках и гарях [60].

радиационная, бактериологическая и химическая разведки [61]; наблюдение за метеообстановкой, исследование атмосферы [62]; контроль за сельскохозяйственными работами [63]; мониторинг и оценка ледовой обстановки [64]; поиск косяков рыб, контроль правил рыболовства [65]. системы поиска и слежения за объектами интереса [66]; фотограмметрия [67];

составление трехмерных планов местности с заданными точностью и разрешением [68];

• Актуализация информационно-картографического обеспечения комплексных кадастровых работ [69].

В зависимости от технического уровня и степени интеграции бортовых информационно-управляющих систем в информационные сети централизованного управления, БЛА военного назначения могут применяться в различных концепциях ведения боевых действий [70].

В настоящее время боевые БЛА создаются и применяются для выполнения следующих задач:

• поражение зенитно-ракетных комплексов и радиолокационных станций, а также наземных целей противника [71];

• радиоэлектронное противодействие, включающее постановку помех, насыщение зон действия противовоздушной обороны ложными целями и подавление сетевых систем [72];

• разведывательные полеты, включающие в себя сбор, анализ и оценку средств и систем связи противника, получение информации об оперативной обстановке на театре военных действий [73];

• определение местоположения целей, лазерное целеуказание и корректировка огня [74];

• обеспечение функций воздушных целей, информационное обеспечение подготовки пилотов и операций [75].

В результате применения боевых БЛА возможно сэкономить силы и средства при гарантированном поражении объектов противника, создать условия для оперативного маневра, значительно повысить боевую эффективность применения боевой техники, осуществлять необходимую продолжительность наблюдения за территорией противника с целью своевременного раскрытия его замысла и, определяя имеющиеся у него силы и средства, обеспечивать возможность быстрого сосредоточения необходимых сил и средств на ответственных направлениях боевых действий, создавать устойчивое информационное обеспечение боевых действий войск в различных условиях [76].

1.4 Перспективы развития беспилотной авиации

Локальные войны и региональные военные конфликты показывают возрастающую роль БЛА как перспективного вида военной техники, используемого для решения различных военных задач: от стратегического и оперативного уровня до тактического уровня, включая полеты в интересах отдельных военнослужащих [77]. Недавно разработанные БЛА с новой системной архитектурой, методами построения, датчиками и алгоритмами будут оптимизированы и адаптированы для различных целей в ближайшие десятилетия. В состав лабораторных средств моделирования и отладки входят аппаратные средства на базе реальной цифровой системы управления и программные средства в виде математических моделей динамики полета и специализированных управляющих программ. Комплекс должен также дополняться необходимой контрольно-проверочной аппаратурой и измерительной аппаратурой [78].

Список литературы диссертационного исследования кандидат наук Парфентьев Кирилл Викторович, 2023 год

СПИСОК ЛИТЕРАТУРЫ

1. DeGarmo, M., & Nelson, G. (2004, September). Prospective unmanned aerial vehicle operations in the future national airspace system. In AIAA 4th Aviation Technology, Integration and Operations (ATIO) Forum (p. 6243).M. P. Brown and K. Austin, Appl. Phys. Letters 85, С. 2503-2504.

2. Coffey, T., & Montgomery, J.A. (2002). The emergence of mini UAVs for military applications. Defense Horizons, (22), 1, С. 28-37.

3. Tokekar, P., Vander Hook, J., Mulla, D., & Isler, V. (2016). Sensor planning for a symbiotic UAV and UGV system for precision agriculture. IEEE Transactions on Robotics, 32(6), С. 1498-1511.

4. Gonçalves, J.A., & Henriques, R. (2015). UAV photogrammetry for topographic monitoring of coastal areas. ISPRS Journal of Photogrammetry and Remote Sensing, 104, С. 101-111.

5. Yuan C., Liu Z., Zhang Y. UAV-based forest fire detection and tracking using image processing techniques //2015 International Conference on Unmanned Aircraft Systems (ICUAS). IEEE, 2015. С. 639-643.

6. Gohl P. et al. Towards autonomous mine inspection //Proceedings of the 2014 3rd International Conference on Applied Robotics for the Power Industry. IEEE, 2014. С. 1-6.

7. Valavanis, K.P., & Vachtsevanos, G.J. (2015). Uav applications: introduction. Handbook of Unmanned Aerial Vehicles, С. 2639-2641.

8. Kos T., Markezic I., Pokrajcic J. Effects of multipath reception on GPS positioning performance //Proceedings ELMAR-2010. IEEE, 2010. С. 399-402.

9. Warner J.S., Johnston R.G. GPS spoofing countermeasures //Homeland Security Journal. 2003. Т. 25. №. 2. С. 19-27.

10. Markelov V.V. et al. Software verification of an inertial navigation system //AIP Conference Proceedings. - AIP Publishing LLC, 2021.Т. 2402. №. 1. С. 030015.

11. Shakhtarin B.I., Shen K., Neusypin K.A. Modification of the nonlinear kalman filter in a correction scheme of aircraft navigation systems //Journal of communications technology and electronics. 2016. T. 61. №. 11. C. 1252-1258.

12. Ibadov R.R. et al. Recovering lost areas of the underlying image surface using a method based on similar blocks //AIP Conference Proceedings. AIP Publishing LLC, 2019. T. 2188. №. 1. C. 050001.

13. Rosenfeld A. The max Roberts operator is a Hueckel-type edge detector //IEEE Transactions on Pattern Analysis and Machine Intelligence. 1981. №. 1. C. 101103.

14. Chaple G.N., Daruwala R.D., Gofane M.S. Comparisions of Robert, Prewitt, Sobel operator based edge detection methods for real time uses on FPGA //2015 International Conference on Technologies for Sustainable Development (ICTSD). IEEE, 2015. C. 1-4.

15. Rawther A.A.K., Mary L. The design of low power Sobel edge detection in FPGA //AIP Conference Proceedings. AIP Publishing LLC, 2020. T. 2222. №. 1. C. 030010.

16. Marr D., Hildreth E. Theory of edge detection //Proceedings of the Royal Society of London. Series B. Biological Sciences. 1980. T. 207. №. 1167. C. 187-217.

17. Fang M., Yue G., Yu Q. The study on an application of otsu method in canny operator //Proceedings. The 2009 International Symposium on Information Processing (ISIP 2009). Academy Publisher, 2009. C. 109.

18. Kovalevsky V. Image Processing with Cellular Topology, 2. Springer, 2021. C. 1-184.

19. Kang H., Lee S., Chui C.K. Coherent line drawing //Proceedings of the 5th international symposium on Non-photorealistic animation and rendering. 2007. C. 4350

20. Cho S., Lee S. Fast motion deblurring //ACM SIGGRAPH Asia 2009 papers. 2009. C. 1-8.

21. Kang H., Lee S., Chui C.K. Flow-based image abstraction //IEEE transactions on visualization and computer graphics. 2008. Т. 15. №. 1. С. 62-76.

22. Kyprianidis J.E., Dollner J. Image abstraction by structure adaptive filtering //TPCG. 2008. С. 51-58.

23. Nienhaus M., Dollner J. Edge-Enhancement-An Algorithm for Real-Time Non-Photorealistic Rendering //WSCG. 2003. Т. 11. С. 1-3.

24. Arbelaez P. et al. From contours to regions: An empirical evaluation //2009 IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2009. С. 22942301.

25. Arbelaez P. et al. Contour detection and hierarchical image segmentation //IEEE transactions on pattern analysis and machine intelligence. 2010. Т. 33. №. 5. С. 898-916.

26. Ren X., Bo L. Discriminatively trained sparse code gradients for contour detection //Proceedings of the 25th International Conference on Neural Information Processing Systems-Volume 1. 2012. С. 584-592.

27. Lai K. et al. A large-scale hierarchical multi-view rgb-d object dataset //2011 IEEE international conference on robotics and automation. IEEE, 2011. С. 1817-1824.

28. Ивахненко А.Г. Самообучающиеся системы // Киев.: АН УССР. 1963.

328 с.

29. Ивахненко А. Г., Лапа В. Г. Кибернетические предсказывающие устройства.«Наукова думка», 1965. 216 с.

30. Dechter R. Learning while searching in constraint-satisfaction-problems //Proceedings of the Fifth AAAI National Conference on Artificial Intelligence. 1986. С. 178-183.

31. Fukushima K., Miyake S. Neocognitron: A self-organizing neural network model for a mechanism of visual pattern recognition //Competition and cooperation in neural nets. - Springer, Berlin, Heidelberg, 1982. С. 267-285.

32. LeCun Y. et al. Convolutional networks for images, speech, and time series //The handbook of brain theory and neural networks. 1995. Т. 3361. №. 10. С. 1995.

33. Wang G. et al. Interactive medical image segmentation using deep learning with image-specific fine tuning //IEEE transactions on medical imaging. 2018. Т. 37. №. 7. С. 1562-1573.

34. Leena Silvoster M., Govindan V. K. Convolutional Neural Network Based Segmentation //Computer Networks and Intelligent Computing: 5th International Conference on Information Processing, ICIP 2011, Bangalore, India, August 5-7, 2011. Proceedings. Springer, 2011. Т. 157. С. 190.

35. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation //Proceedings of the IEEE conference on computer vision and pattern recognition. 2015. С. 3431-3440.

36. Hoffman J. et al. Large scale visual recognition through adaptation using joint representation and multiple instance learning //The Journal of Machine Learning Research. 2016. Т. 17. №. 1. С. 4954-4984.

37. Ronneberger O. et al. Medical Image Computing and Computer-Assisted Intervention-MICCAI 2015 //Cham: Springer. 2015. С. 234-241.

38. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation //International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015. С. 234-241.

39. Brox T., Malik J. Large displacement optical flow: descriptor matching in variational motion estimation //IEEE transactions on pattern analysis and machine intelligence. 2010. Т. 33. №. 3. С. 500-513.

40. Никитин В. Н., Раков Д. Н. Оценка экономической эффективности использования беспилотных аэрофотосъемочных комплексов //Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). - 2013. -№. 4 (24). С. 48-56.

41. Бычков И. В. и др. Внедрение геоинформационных технологий и навигационных систем в задачах точного земледелия //Вестник Новосибирского государственного университета. серия: информационные технологии. 2011. Т. 9. №. 1. С. 21-30.

42. Гальченко А.В., Тегин В.А. Долгосрочный прогноз рыночной стоимости летательных аппаратов гражданской и военно-транспортной авиации //Проблемы прогнозирования. 2010. №. 4. С. 59-72.

43. Веревкин А.Л., Ротэрмель Н.И., Веревкина Л.С. Оценка и моделирование эффективности беспилотного летательного аппарата //Информационные технологии, системный анализ и управление (ИТСАУ-2019). -2019. С. 221-225.

44. Кудласевич К.Ф. Применение беспилотных летательных аппаратов в интересах МЧС Республики Беларусь //Организационный комитет конференции. 2021. Т. 7. С. 385.

45. Каримов А.Х. Цели и задачи, решаемые беспилотными авиационными комплексами нового поколения //Труды МАИ. 2011. №. 47. С. 5-5.

46. Мельников А.В. Учет аэродинамического показателя качества дозвукового беспилотного летательного аппарата с установленной противообледенительной системой при оценке дальности и продолжительности полета //Информатика: проблемы, методы, технологии. 2020. С. 664-674.

47. Разиньков С.Н., Богословский А.В., Борисов Д.Н. Численный анализ эффективной площади рассеяния беспилотного летательного аппарата самолетного типа //Информатика: проблемы, методы, технологии. 2022. С. 452457.

48. Парфентьев К.В., Жильцов А.И. Разработка интеллектуальной системы оценки состояния беспилотного летательного аппарата на основе нейросетевых технологий //Радиостроение. 2018. №. 2. С. 13-28.

49. Бузулук В.И., Михалев С.М. Определение экономической эффективности применения различных видов топлива для аэрокосмических летательных аппаратов //Материалы XXVII научно-технической конференции по аэродинамике. 2016. С. 58-59.

50. Годунов А.И., Шишков С.В., Бикеев Р.Р. Модель движения малогабаритного беспилотного летательного аппарата в пространстве //Проблемы автоматизации и управления в технических системах. 2015. С. 328-331.

51. Леваков А. Анатомия информационной безопасности США //Jet info online. 2002. Т. 6. С. 109.

52. Аниськов Р.В. и др. К вопросу борьбы с незаконным использованием беспилотных летательных аппаратов коммерческого типа //Вопросы оборонной техники. Серия 16: Технические средства противодействия терроризму. 2017. №. 9-10. С. 71-75.

53. Лебедев Г.Н., Михайлин Д.А., Оболенский Ю.Г., Похваленский В.Л., Синеви, Г.М. Разработка алгоритмического обеспечения для системы дистанционного управления самолета в продольном канале на базе модального управления //Авиакосмическое приборостроение. 2015. №. 11. С. 35-42.

54. Зайцева Ю.С. Подавление колебаний в контуре управления" оператор-беспилотный летательный аппарат" //Навигация и управление движением. 2019. -С. 222-223.

55. Кулабухов В.С. Модель нейробионической сети для бортовых систем искусственного интеллекта //Моделирование авицационных систем. 2018. С. 308309.

56. Злотников К.А., Волосюк А.А., Тан Х.А. Особенности человеческого фактора в беспилотной авиации и подготовка операторов беспилотных летательных аппаратов //Человеческий фактор в сложных технических системах и средах. 2016. С. 231-237.

57. Бакин Э.Н., Петрикин А.Н., Колесов Д.Г. Применение беспилотных летательных аппаратов вертолётного типа при организации воздушной радиационной и химической разведки //Воздушно-космические силы. Теория и практика. 2017. №. 3 (3). С. 7-14.

58. Рыженков С.П., Усов В.М., Сыркина А.Л. Технологии виртуальной и дополненной реальности для улучшения пространственной и ситуационной

осведомленности человека-оператора беспилотных летательных аппаратов //В сб.«Актуальные проблемы психологии труда, инженерной психологии и эргономики». Серия «Труды Института психологии РАН. 2022. С. 104-116.

59. Федосеева Н.А., Загвоздкин М.В. Перспективные области применения беспилотных летательных аппаратов //Научный журнал. 2017. №. 9 (22). С. 26-29.

60. Вторый В.Ф., Вторый С.В. Перспективы экологического мониторинга сельскохозяйственных объектов с использованием беспилотных летательных аппаратов //АгроЭкоИнженерия. 2017. №. 92. С. 158-166.

61. Жумабаева А.С., Полтавский А.В., Юрков Н.К. К проблеме модельного синтеза комплексов беспилотных летательных аппаратов //Измерение. Мониторинг. Управление. Контроль. 2017. №. 1 (19). С. 71-79.

62. Борисенко В.В., Борисенко Е.А. Перспективы применения беспилотных летательных аппаратов для проведения аэрологических наблюдений //Актуальные проблемы авиации и космонавтики. 2017. Т. 2. №. 13. С. 507-509.

63. Коротаев А.А., Новопашин Л.А. Применение беспилотных летательных аппаратов для мониторирования сельскохозяйственных угодий и посевных площадей в аграрном секторе //Аграрный вестник Урала. 2015. №. 12 (142). С. 3842.

64. Косенко Д.В., Шидловский А.Л., Юнаковский Н.С. Применение беспилотных летательных аппаратов для мониторинга опасных явлений в арктике //Природные и техногенные риски (физико-математические и прикладные аспекты). 2019. №. 1. С. 5-9.

65. Казак В.Н., Горбач О.К. Солнечные элементы как источник питания силовой установки беспилотного летательного аппарата //Вюник 1нженерно1 академп Украши. 2010. №. 3-4. С. 16-20.

66. Вызов А.Н. Повышение оперативности и точности оценивания местоположения наземных источников радиоизлучения пассивными средствами летательного аппарата: автореф. на соиск. ученой степ. канд. техн. наук: 05.13.01 - системный анализ, управление и обработка информации. СПб., 2015. 19 с.

67. Варварина Е.А. Обзор российских беспилотных летательных аппаратов, применяемых в целях современной фотограмметрии и картографии //Науки о Земле. 2012. №. 2. С. 30-34.

68. Степанова С.П. Создание 3D моделей при помощи беспилотных летательных аппаратов (БПЛА) //Международная научно-техническая конференция молодых ученых БГТУ им. ВГ Шухова. 2017. С. 4503-4508.

69. Отвагина М.Г. Актуализация информационно-картографического обеспечения комплексных кадастровых работ с применением ГИС-технологий //Международный журнал прикладных наук и технологий «Integral». 2019. №. 2. -С. 114-122.

70. Верба В.С. и др. Интегрированные многодатчиковые комплексы мониторинга окружающего пространства //Журнал радиоэлектроники. - 2015. -№. 4. С. 14.

71. Михайлов Д.В. Война будущего: возможный порядок нанесения удара средствами воздушного нападения США в многосферной операции на рубеже 2025-2030 годов //Воздушно-космические силы. Теория и практика. 2019. №. 12. С. 44-52.

72. Макаренко С.И. Анализ средств и способов противодействия беспилотным летательным аппаратам. Часть 3. Радиоэлектронное подавление систем навигации и радиосвязи //Системы управления, связи и безопасности. -2020. №. 2. С. 101-175.

73. Ананьев А.В. и др. Динамическая модель процесса поражения временно неподвижных наземных целей группой ударных беспилотных летательных аппаратов малого класса //Труды МАИ. 2020. №. 115. С. 18.

74. Кальной А.И. Конструктивные особенности беспилотного летательного аппарата применяемого воинскими формированиями Министерства обороны //Вестник Военной академии материально-технического обеспечения им. генерала армии АВ Хрулева. 2015. №. 4. С. 52-58.

75. Моисеев В.С., Гущина Д.С., Моисеев Г.В. Основы теории создания и применения информационных беспилотных авиационных комплексов //Казань: Изд-во МОиН РТ. 2010. Т. 196. 208 с.

76. Гладышевский В.Л., Горгола Е.В., Звягинцев С.А. К оценке эффективности функционирующего военно-экономического потенциала сша и России в XXI веке. Часть i //Национальные интересы: приоритеты и безопасность. 2018. Т. 14. №. 4 (361). С. 592-615.

77. Гаджиева С.А., Курбанов С.К. Беспилотные летательные аппараты. Применение и перспективы их развития //Компьютерные технологии и моделирование в науке, технике, экономике, образовании и управлении: тенденции и развитие. 2019. С. 140-142.

78. Abdujabarov N.A. et al. Prospects of the development of unmanned aerial vehicles (UAVs) //PROSPECTS. 2020. Т. 9. С. 30-32.

79. Беспалов В.А. Цифровые двойники комплексов с беспилотным летательным аппаратом //Полет. Общероссийский научно-технический журнал. -2021. №. 8. С. 30-36.

80. Токарев Ю. П. Методы управления беспилотными летательными аппаратами в общем воздушном пространстве с использованием полетной информации при автоматическом зависимом наблюдении: автореф. на соиск. ученой степ. канд. техн. наук: 05.22.13 - навигация и управление воздушным движением. СПб., 2011. 23 с.

81. Воронов Е.М., Оболенский Ю.Г., Чеглаков Д.И. Адаптивное автоматическое управление беспилотным летательным аппаратом на этапе сближения и стыковки процесса дозаправки топливом в воздухе //Вестник Московского государственного технического университета им. Н.Э Баумана. Серия «Приборостроение». 2017. №. 3 (114). С. 129-147.

82. Моисеева Н.А., Моисеев Д.В. Структурный синтез каналов информационного обмена беспилотных транспортных средств //XXII

Всероссийская научно-практическая конференция Нижневартовского государственного университета. 2020. С. 317-320.

83. Заиграев М.М. Разработка математической модели и экспериментальное исследование спутниковой радионавигационной системы управления аэрофотосъемочным полетом: автореф. на соиск. ученой степ. канд. техн. наук: 05.13.16 - применение вычислительной техники, математического моделирования и математических методов в математических исследованиях. М., 2000. 26 с.

84. Мармилов А.Н., Хлебников Д.Д. Глобальные навигационные спутниковые системы в современном мире //Перспективы развития строительного комплекса. 2020. С. 393-396.

85. Соколов И.А. и др. Проекты цифрового транспорта с глобальными навигационными спутниковыми системами-путь к построению интегрированных систем цифрового транспорта //International journal of open information technologies. 2019. Т. 7. №. 1. С. 49-77.

86. Киевцов А.Н., Шабарчина Ю.Н. Система ГЛОНАСС //Актуальные вопросы энергетики. 2017. С. 102-106.

87. Вьюнова А.Н., Золотарев О.В. Исследование способов повышения точности позиционирования за счет дополнительных наземных средств //Физико-техническая информатика (CPT2020). 2020. С. 246-274.

88. Ашмарин В.В. и др. Перспективы развития микрогабаритных датчиков и вычислительных компонентов ИСУ БЛА //Известия Тульского государственного университета. Технические науки. 2020. №. 1. С. 18-38.

89. Вагущенко Л.Л. Современные информационные технологии в судовождении //Одесса: ОНМА. 2013. Т. 135. 134 с.

90. Ревнивых С.Г., Косенко В.Е. Состояние и развитие спутниковых навигационных систем //XIII Всероссийское совещание по проблемам управления ВСПУ-2019. 2019. С. 1317-1322.

91. Гончаров В. М., Лупанчук В. Ю. Методика определения высоты полета БЛА для коррекции бесплатформенной инерциальной навигационной системы с

использованием интеллектуальной системы геопространственной информации //Нейрокомпьютеры: разработка, применение. 2020. Т. 22. №. 1. С. 18-30.

92. Хабибуллин Р.Р., Бычков Д.С., Генералова А.А. Навигация автотракторной техники //Инновационное развитие современной науки. 2020. С. 21-24.

93. Максименко В.Н., Ухин Д.А. Анализ уязвимостей каналов связи спутниковых навигационных систем LBS-услуги //Экономика и качество систем связи. 2019. №. 1 (11). С. 18-22.

94. Цибизова Т.Ю., Шэнь К., Неусыпин К.А. Исследование алгоритмов оценивания в задаче коррекции навигационных систем летательных аппаратов //Фундаментальные исследования. 2015. №. 6-2. С. 301-305.

95. Шапошников А.А. Принципы построения инерциальных навигационных систем //Неделя науки Санкт-Петербургского государственного морского технического университета. 2018. №. 1. С. 81-81.

96. Сапрыкин Ф. И. Правовой режим воздушного пространства участников СНГ //Московский журнал международного права. 2021. №. 4. С. 46-58.

97. Погосян М.А., Верейкин А. А. Системы автоматической посадки летательных аппаратов: аналитический обзор. Информационное обеспечение //Труды МАИ. 2020. №. 113. С. 13.

98. Макаренко С.И. Робототехнические комплексы военного назначения -современное состояние и перспективы развития //Системы управления, связи и безопасности. 2016. №. 2. С. 73-132.

99. Кивокурцев А. Л. Повышение эксплуатационной надежности интегрированного комплекса бортового оборудования на основе реконфигурации структуры его вычислительной системы: автореф. на соиск. ученой степ. канд. техн. наук: 05.22.14 - эксплуатация воздушного транспорта. М., 2011. 20 с.

100. Сысоева С. Ключевые сегменты рынка МЭМС-компонентов. Инерциальные системы—от low-end до high-end сегментов //Компоненты и технологии. 2010. №. 106. С. 22-30.

101. Трефилов П.М. Сравнительный анализ улучшения точностных характеристик инерциальных навигационных систем //XIII Всероссийское совещание по проблемам управления ВСПУ-2019. 2019. С. 470-474.

102. undefined. Lawrence A. Modern inertial technology-Navigation, guidance, and control //NASA STI/Recon Technical Report A. 1993. Т. 93. С. 39795.

103. Сысоева С. Теоретические основы инерциальной навигации //Компоненты и технологии. 2011. №. 2. С. 28-32.

104. Бабуров В.И. и др. Тенденции способов комплексирования в системах навигации и посадки //Научный вестник Московского государственного технического университета гражданской авиации. 2016. Т. 19. №. 5. С. 34-44.

105. Коротков О.В. и др. Интегрированные инерциально-спутниковые системы навигации для высокоточных реактивных и артиллерийских снарядов //Известия Российской академии ракетных и артиллерийских наук. 2019. №. 1. С. 87-96.

106. Литвиненко Ю. А. Оптимизация алгоритмов инерциальной навигационной системы морских объектов: автореф. на соиск. ученой степ. канд. техн. наук: 05.11.03 - приборы навигации. СПб., 2005. 24 с.

107. Неусыпин К.А., Нгуен Д.Т. Алгоритм коррекции инерциальной навигационной системы в условиях аномальных измерений //Автоматизация. Современные технологии. 2016. №. 2. С. 21-25.

108. Клычников В.В., Селезнева М.С., Неусыпин К.А., Пролетарский А.В. Использование федерального фильтра Калмана для коррекции навигационных систем летательных аппаратов // Автоматизация. Современные технологии. 2018. Вып. 9. С. 428-432.

109. Василюк Н.Н. Слабое комплексирование инерциальных и спутниковых измерений с помощью расширенного фильтра Калмана с кватернионным представлением ориентации //Проблемы управления. 2019. №. 4. С. 72-84.

110. Девятисильный А. С. Модель нейросетевой инерциально-спутниковой навигационной системы с функцией оценки градиента напряженности

гравитационного поля Земли //Журнал технической физики. 2016. Т. 86. №. 9. С. 20-23.

111. Cheng Y., Qi W.M., Cai W.Y. Dynamic properties of Elman and modified Elman neural network //Proceedings. International Conference on Machine Learning and Cybernetics. IEEE, 2002. Т. 2. С. 637-640.

112. Битар А., Гаврилов А.И. Компенсация погрешностей интегрированной навигационной системы с использованием искусственных нейронных сетей //Вестник Московского государственного технического университета им. НЭ Баумана. Серия «Приборостроение». 2020. №. 2 (131). С. 4-26.

113. Gavrilov A.I., Parfentiev K.V. Solving the problem of autonomous navigation using underlying surface models tolerant to survey conditions //AIP Conference Proceedings. AIP Publishing LLC, 2021. Т. 2318. №. 1. С. 130001.

114. Косова А.Е., Кориков А.М. Автоматическая посадка малых беспилотных летательных аппаратов с использованием компьютерного зрения //Доклады Томского государственного университета систем управления и радиоэлектроники. 2017. Т. 20. №. 3. С. 191-196.

115. Гоммер А.С. Обзор методов автономной посадки БПЛА // Наукоемкие исследования как основа инновационного развития. 2019. С. 70.

116. Golden J.P. Terrain contour matching (TERCOM): a cruise missile guidance aid //Image processing for missile guidance. SPIE, 1980. Т. 238. С. 10-18.

117. Солунин В. Л., Гурский Б. Г., Спирин Э. П. Корреляционно -экстремальные системы для высокоточной навигации летательных аппаратов и компьютерной диагностики сложных заболеваний //Гироскопия и навигация. 2005. №. 2. С. 56-61.

118. Rupeng W. et al. High-precision initialization and acceleration of particle filter convergence to improve the accuracy and stability of terrain aided navigation //ISA transactions. 2021. Т. 110. С. 172-197.

119. Zhao L. et al. A novel terrain-aided navigation algorithm combined with the TERCOM algorithm and particle filter //IEEE Sensors Journal. 2014. Т. 15. №. 2. С. 1124-1131.

120. Wei E. et al. A Robust Solution of Integrated SITAN with TERCOM Algorithm: Weight-Reducing Iteration Technique for Underwater Vehicles' Gravity-Aided Inertial Navigation System //NAVIGATION: Journal of the Institute of Navigation. 2017. Т. 64. №. 1. С. 111-122.

121. undefined. McSherry J. P. Tracking the origins of a state terror network: Operation Condor //Latin American Perspectives. 2002. Т. 29. №. 1. С. 38-60.

122. Пуртов И.С., Синча Д.П. Исследование методов и разработка алгоритмов обработки видеоинформации в задачах локализации положения БЛА на основе распознавания изображений при помехах и искажениях //Труды МАИ. 2012. №. 52. С. 90.

123. Степанова Н.В. Решение целевых и навигационных задач на борту малоразмерного беспилотного летательного аппарата на основе обработки изображения подстилающей поверхности: автореф. на соиск. ученой степ. канд. техн. наук: 05.13.01 - системный анализ, управление и обработка информации. М., 2007. 24 с.

124. Iasechko M. et al. Evaluation of the use of inertial navigation systems to improve the accuracy of object navigation //International Journal of Computer Science & Network Security. 2021.Т. 21. №. 3. С. 71-75.

125. Paschall S., Rose J. Fast, lightweight autonomy through an unknown cluttered environment: Distribution statement: A—Approved for public release; distribution unlimited //2017 IEEE Aerospace Conference. IEEE, 2017. С. 1-8.

126. Chao H. Y., Cao Y. C., Chen Y. Q. Autopilots for small unmanned aerial vehicles: a survey //International Journal of Control, Automation and Systems. 2010. Т. 8. №. 1. С. 36-44.

127. Парфентьев К. В., Гаврилов А. И. Построение моделей подстилающей поверхности на основе реконструкции данных мультиспектрального мониторинга //Вестник евразийской науки. 2017. Т. 9. №. 6 (43). С. 141.

128. Базарский О.В. и др. Оптическое дистанционное зондирование земли в условиях низкой освещенности //Донецкие чтения 2019: образование, наука, инновации, культура и вызовы современности. - 2019. С. 55-57.

129. Меньшаков Ю.К. Теоретические основы технических разведок / М.: Издательство МГТУ им. Н.Э. Баумана, 2008. 537 с.

130. Verma P., Bhatia J. S. Design and development of GPS-GSM based tracking system with Google map based monitoring //International Journal of Computer Science, Engineering and Applications (IJCSEA). 2013. Т. 3. №. 3. С. 33-40.

131. Канашин В.В. Технологии Yandex-карт: практический опыт //Вестник Уфимского государственного авиационного технического университета. 2011. Т. 15. №. 2 (42). С. 177-182.

132. Wang Y., Wang J. Surveying and mapping education and training in China //Survey Review. 2011. Т. 43. №. 322. С. 427-435.

133. Пичкалев А. В. Разработка программного обеспечения робототехнических комплексов с использованием графического языка ДРАКОН //Робототехника и искусственный интеллект. - 2016. - С. 90-94.

134. Казаков А. А. и др. Разработка методики количественной оценки микроструктурной полосчатости низколегированных трубных сталей с помощью автоматического анализа изображений //Черные металлы. 2007. №. 7-8. С. 31.

135. Хабаров Д.А. и др. Анализ современных технологий дистанционного зондирования Земли //Московский экономический журнал. 2019. №. 1. С. 181-190.

136. Балдина Е.А., Трошко К.А. Картографирование природно-территориальных комплексов острова Котельный по разновременным радиолокационным снимкам Sentinel-1 //Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2018. Т. 62. №. 2. С. 162-172.

137. Наср Е.Х., Сальников И.И. Методы дистанционного зондирования земной поверхности в радиодиапазоне электромагнитных волн //Современные методы и средства обработки пространственно-временных сигналов. 2020. С. 310.

138. Балдина Е.А. и др. Радиолокационное зондирование для решения задач сельского хозяйства //Радиофизические методы в дистанционном зондировании сред. 2016. С. 162-172.

139. Обуховский Ю. М., Жумарь П. В. Индикационное картографирование: электронный учебно-методический комплекс для специальности: 1-31 02 03 «Космоаэрокартография»/ЮМ Обуховский, ПВ Жумарь; БГУ, Фак. географии и геоинформатики., Каф. геодезии и космоаэрокартографии.-Минск: БГУ, 2020.257 с.: ил., табл.-Библиогр.: с. 252-254.

140. Буторин В. В., Исаев В. Н., Жуков А. О. Научно-методический подход к прогнозированию возникновения нештатных ситуаций при эксплуатации радиолокационных средств на основе элементарной теории катастроф //МИНЦЕВСКИЕ ЧТЕНИЯ. 2016. С. 66-71.

141. Ергалиев Д.С., Тулегулов А.Д., Молдамурат Х. Применение информационных технологий для анализа физических свойств подстилающей поверхности //Труды Международного симпозиума «Надежность и качество». -2014. Т. 1. С. 348-350.

142. Braun A. Spaceborne radar imagery-An under-utilised source of information for humanitarian relief //Journal of Humanitarian Engineering. 2020. Т. 8. -№. 1.

143. Пантенков Д.Г., Гусаков Н.В., Ломакин А.А. Обзор современного состояния орбитальных группировок космических аппаратов дистанционного зондирования земли и космических ретрансляторов //Известия высших учебных заведений. Электроника. 2022. Т. 27. №. 1. С. 120-149.

144. Hoshino T. et al. Experimental studies of compressive sensing for SAR with Ka-band chamber room and Ku-band airplane SAR data //2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). IEEE, 2017. С. 5366-5369.

145. Рыльский И. А. Лазерное сканирование и цифровая аэрофотосъемка: новый уровень детальности //Геоматика. - 2015. - №. 4. - С. 53-56..

146. Чеботков А.И., Некрасова М.Е., Платонов М.А. Мобильный лидар на базе Arduino //Экология и безопасность в техносфере: современные проблемы и пути решения: сборник трудов Всероссийской научно-практической конференции молодых ученых, аспирантов и студентов, г. Юрга, 23-25 ноября 2017 г.—Томск, 2017. С. 113-116.

147. Бушнева И.А. и др. Об использовании наземного лазерного сканирования для получения фасадных чертежей исследуемых зданий и строений //Электронный сетевой политематический журнал" Научные труды КубГТУ". -2016. №. 11. С. 89-97.

148. Скворцов Л.А. Лазерные методы обнаружения следов взрывчатых веществ на поверхностях удаленных объектов //Квантовая электроника. - 2012. -Т. 42. №. 1. С. 1-11.

149. Гура Д.А., Шевченко Г.Г., Марковский И.Г. Создание трехмерной модели муниципального образования по данным цифровых изысканий, полученных по результатам комплекса лазерного сканирования //Электронный сетевой политематический журнал" Научные труды КУБГТУ". 2019. №. 7. С. 916.

150. Пилль А.В. Современные источники исходных данных для камерального трассирования новых железных дорог при использовании систем автоматизированного проектирования //Известия Петербургского университета путей сообщения. 2008. №. 4. С. 75-87.

151. Науменко А.И. Современные технологии картографирования для инженерно-топографических изысканий по результатам воздушного лазерного сканирования //Интерэкспо Гео-Сибирь. 2008. Т. 1. №. 2. С. 69-71.

152. Руденко Ю.М., Богданец Е.С. Актуальность лидарной съемки на данном этапе развития лазерного сканирования //Технические науки-от теории к практике. 2016. №. 5-1 (53). С. 20-29.

153. Лабуза И.Д. Инновации транспортных технологий в горнодобывающей промышленности //Инновационное развитие транспорта. 2017. С. 26-29.

154. Широкова Т.А., Антипов А.В. Построение трехмерных моделей зданий городских территорий на основе данных воздушного лазерного сканирования //Интерэкспо ГЕО-Сибирь. 2013. Т. 4. №. 1. С. 116-123.

155. Диденко Н.А., Диденко И.Н., Сторчак Т.В. Перспективы применения БПЛА для мониторинга окружающей среды на примере озера Имлор //Бюллетень науки и практики. 2018. Т. 4. №. 7. С. 184-188.

156. Rieger P. Range ambiguity resolution technique applying pulse-position modulation in time-of-flight scanning lidar applications //Optical engineering. 2014. Т. 53. №. 6. С. 061614.

157. Flanagan F. J. US Geological Survey silicate rock standards //Geochimica et Cosmochimica Acta. 1967. Т. 31. №. 3. С. 289-308.

158. Гиниятов И.А. Мониторинг земель и объектов недвижимости //учебное пособие. 2015. №. 2. С. 1.

159. Балдина Е.А., Грищенко М.Ю. Методика дешифрирования разновременных космических снимков в тепловом инфракрасном диапазоне //Вестник Московского университета. Серия 5. География. 2014. №. 3. С. 35-42.

160. Иваницкий Г. P., Хижняк Е. П., Деев А. А. Биофизические основы медицинского тепловидения //Биофизика. 2012. Т. 57. №. 1. С. 130-139.

161. Гендрин А.Г. и др. Экологическое сопровождение разработки нефтегазовых месторождений //Экология. Серия аналитических обзоров мировой литературы. 2005. №. 78. С. 1-112.

162. Макальский Л.М. Тепловизионная диагностика энергетического оборудования //Современные природоохранные технологии в электроэнергетике. 2007. С. 362-368.

163. Буй Ч.Т., Марин Д.В., Расторгуев В.В. Сравнение ослабления электромагнитных волн миллиметрового и инфракрасного диапазонов в гидрометеорах и пыли //Труды МАИ. 2015. №. 84. С. 26-26.

164. Василенко П.А. Аппаратурно-методический комплекс для измерений содержания примесей в многокомпонентных углеводородных растворах ИКАР-3 //Георесурсы, геоэнергетика, геополитика. 2010. №. 2 (2). С. 28.

165. Beckman S.K. Use of enhanced IR/visible satellite imagery to determine heavy snow areas //Monthly weather review. 1987. Т. 115. №. 9. С. 2060-2087.

166. Красавцев В.М. и др. Видеоспектрометры новая перспективная аппаратура для дистанционных исследований //Интерэкспо Гео-Сибирь. 2007. Т. 4. №. 1. С. 89-94.

167. Шилин Б.В., Хотяков В.В. Видеоспектральная аэросъемка - ведущее направление дистанционного зондирования в оптическом диапазоне //Оптический журнал. 2004. Т. 71. №. 3. С. 55-58.

168. Горбунов Г.Г. Многоспектральная и гиперспектральная аппаратура, мировой уровень, состояние вопроса в России //Оптический вестник. 2011. №. 132. С. 5-6.

169. Горбунов Г.Г. и др. Дисперсионные видеоспектрометры для задач гиперспектрального дистанционного зондирования //Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2015. №. 4 (32). С. 86-106.

170. Федеральное космическое агентство. «Концепция развития российской космической системы дистанционного зондирования Земли на период до 2025 года» [Электронный ресурс]. - URL: http://www.gisa.ru/file/file766.doc (дата обращения: 06.10.2022).

171. Somers J.T. et al. Development of head injury assessment reference values based on NASA injury modeling //Stapp car crash journal. 2011. Т. 55. С. 49.

172. Vane G. et al. The airborne visible/infrared imaging spectrometer (AVIRIS) //Remote sensing of environment. 1993. Т. 44. №. 2-3. С. 127-143.

173. Goetz A.F.H., Herring M. The high resolution imaging spectrometer (HIRIS) for EOS //IEEE Transactions on Geoscience and Remote Sensing. 1989. T. 27. №. 2. C. 136-144.

174. Savtchenko A. et al. Terra and Aqua MODIS products available from NASA GES DAAC //Advances in Space Research. 2004. T. 34. №. 4. C. 710-714.

175. Yang B. et al. Nanocomposite of tin sulfide nanoparticles with reduced graphene oxide in high-efficiency dye-sensitized solar cells //ACS applied materials & interfaces. 2015. T. 7. №. 1. C. 137-143.

176. Wang J., Xue Y. Airborne imaging spectrometers developed in China //Hyperspectral Remote Sensing and Application. SPIE, 1998. T. 3502. C. 12-22.

177. Richter R. Atmospheric correction of DAIS hyperspectral image data //Computers & Geosciences. 1996. T. 22. №. 7. C. 785-793.

178. Collins W.E., Chang S.H. Geophysical environmental research corporation 63-channel airborne imaging spectrometer and 12-band thermal scanner //Imaging Spectroscopy of the Terrestrial Environment. SPIE, 1990. T. 1298. C. 62-71.

179. Kunkel B. et al. ROSIS (Reflective Optics System Imaging Spectrometer)-A candidate instrument for polar platform missions //Optoelectronic technologies for remote sensing from space. SPIE, 1988. T. 868. C. 134-141.

180. Porter W.M., Enmark H.T. A system overview of the airborne visible/infrared imaging spectrometer (AVIRIS) //Imaging Spectroscopy II. - SPIE, 1987. T. 834. C. 22-31.

181. undefined. Gonzalez RC, Woods RE. Digital Image Processing, Global Edition. 4th ed. London: Pearson; 2018. 1022 C.

182. Marr D. Early processing of visual information //Philosophical Transactions of the Royal Society of London. B, Biological Sciences. 1976. T. 275. №. 942. C. 483 -519.

183. Rong W. et al. An improved CANNY edge detection algorithm //2014 IEEE international conference on mechatronics and automation. IEEE, 2014. C. 577-582.

184. Zhang Y. et al. Edge detection algorithm of image fusion based on improved Sobel operator //2017 IEEE 3rd Information Technology and Mechatronics Engineering Conference (ITOEC). IEEE, 2017. C. 457-461.

185. Zakariah M. et al. Image boundary, corner, and edge detection: past, present, and future //International Journal of Computer Electrical Engineering. 2020. T. 12. №. 2. C. 39.

186. Biswas H., Umbaugh S.E. Machine learning with a convolutional neural network for segmentation of ophthalmological images //Computational Imaging VI. SPIE, 2021. T. 11731. C. 64-68.

187. Engel K.M., Schiller J. The value of coupling thin-layer chromatography to mass spectrometry in lipid research-a review //Journal of Chromatography B. 2021. T. 1185. C. 123001.

188. Li Q., Wang B., Fan S. Browse conference publications computer science and engineer. help working with abstracts an improved canny edge detection algorithm //2009 Second International Workshop on Computer Science and Engineering proceedings: WCSE. 2009. T. 2009. C. 28-30.

189. Waltz F.M., Miller J.W.V. Efficient algorithm for gaussian blur using finite-state machines //Machine Vision Systems for Inspection and Metrology VII. SPIE, 1998. T. 3521. C. 334-341.

190. Christiano L.J., Fitzgerald T.J. The band pass filter //international economic review. 2003. T. 44. №. 2. C. 435-465.

191. Sarwas G., Skoneczny S., Kurzejamski G. Fractional order method of image keypoints detection //2017 Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA). IEEE, 2017. C. 349-353.

192. Winnemoller H. Xdog: advanced image stylization with extended difference-of-gaussians //Proceedings of the ACM SIGGRAPH/eurographics symposium on non-photorealistic animation and rendering. 2011. C. 147-156.

193. Mallick D., Kumar K., Agarwal S. Blood Vessel Detection using Modified Multiscale MF-FDOG Filters for Diabetic Retinopathy //2019 International Conference on Applied Machine Learning (ICAML). IEEE, 2019. C. 82-86.

194. Winnemoller H., Olsen S. C., Gooch B. Real-time video abstraction //ACM Transactions On Graphics (TOG). 2006. T. 25. №. 3. C. 1221-1226.

195. Semmo A. et al. Interactive image filtering with multiple levels-of-control on mobile devices //SIGGRAPH ASIA 2016 Mobile Graphics and Interactive Applications. 2016. C. 1-8.

196. Li X., Fang X., Tuo X. Globalized probability based lane detection with non-unique B-spline model //2011 International Conference on Multimedia Technology. IEEE, 2011. C. 4933-4935.

197. Kaleem R., Pai S., Pingali K. Stochastic gradient descent on GPUs //Proceedings of the 8th Workshop on General Purpose Processing using GPUs. 2015. C. 81-89.

198. Filali I., Allili M.S., Benblidia N. Multi-scale salient object detection using graph ranking and global-local saliency refinement //Signal Processing: Image Communication. 2016. T. 47. C. 380-401.

199. Aharon M., Elad M., Bruckstein A. K-SVD: An algorithm for designing overcomplete dictionaries for sparse representation //IEEE Transactions on signal processing. 2006. T. 54. №. 11. C. 4311-4322.

200. Yeh C.C. et al. Adaptive simultaneous orthogonal matching pursuit for mmWave hybrid beam tracking //2018 IEEE 23 rd International Conference on Digital Signal Processing (DSP). IEEE, 2018. C. 1-5.

201. Gilani S.A.N., Awrangjeb M., Lu G. Fusion of LiDAR data and multispectral imagery for effective building detection based on graph and connected component analysis //The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. 2015. T. 40. №. 3. C. 65.

202. Kones R. Primary prevention of coronary heart disease: integration of new data, evolving views, revised goals, and role of rosuvastatin in management. A comprehensive survey //Drug design, development and therapy. 2011. Т. 5. С. 325.

203. Guiming S., Jidong S. Remote sensing image edge-detection based on improved Canny operator //2016 8th IEEE International Conference on Communication Software and Networks (ICCSN). IEEE, 2016. С. 652-656.

204. Touzi R., Lopes A., Bousquet P. A statistical and geometrical edge detector for SAR images //IEEE Transactions on geoscience and remote sensing. 1988. Т. 26. №. 6. С. 764-773.

205. Zhang T. et al. Extraction of coastline in aquaculture coast from multispectral remote sensing images: Object-based region growing integrating edge detection //Remote sensing. 2013. Т. 5. №. 9. С. 4470-4487.

206. Парфентьев К.В., Неусыпин К.А. Построение моделей подстилающей поверхности с использованием сегментационных нейронных сетей //Приборы и системы. Управление, контроль, диагностика. 2022. №. 7. С. 13-17.

207. Deng G., Cahill L.W. An adaptive Gaussian filter for noise reduction and edge detection //1993 IEEE conference record nuclear science symposium and medical imaging conference. IEEE, 1993. С. 1615-1619.

208. Ziou D. et al. Edge detection techniques-an overview //Pattern Recognition and Image Analysis C/C of Raspoznavaniye Obrazov I Analiz Izobrazhenii. 1998. Т. 8. С. 537-559.

209. Eng H.L., Ma K.K. Noise adaptive soft-switching median filter //IEEE Transactions on image processing. 2001. Т. 10. №. 2. С. 242-251.

210. Lewkowicz A.G., Way R.G. Extremes of summer climate trigger thousands of thermokarst landslides in a High Arctic environment //Nature communications. 2019. Т. 10. №. 1. С. 1-11.

211. Shermeyer J. et al. SpaceNet 6: Multi-sensor all weather mapping dataset //Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2020. С. 196-197.

212. Ghanbari Parmehr E., Amati M. Individual tree canopy parameters estimation using UAV-based photogrammetric and LiDAR point clouds in an urban park //Remote Sensing. 2021. T. 13. №. 11. C. 2062.

213. Mishra V. N., Rai P. K. A remote sensing aided multi-layer perceptron-Markov chain analysis for land use and land cover change prediction in Patna district (Bihar), India //Arabian Journal of Geosciences. 2016. T. 9. №. 4. C. 1-18.

214. Hashimoto D.A. et al. Artificial intelligence in surgery: promises and perils //Annals of surgery. 2018. T. 268. №. 1. C. 70-76.

215. Liu L. et al. Deep learning for generic object detection: A survey //International journal of computer vision. 2020. T. 128. №. 2. C. 261-318.

216. Guo Y.W. et al. Improving photo composition elegantly: Considering image similarity during composition optimization //Computer graphics forum. - Oxford, UK : Blackwell Publishing Ltd, 2012. T. 31. №. 7. C. 2193-2202.

217. Khan S. et al. A guide to convolutional neural networks for computer vision //Synthesis lectures on computer vision. 2018. T. 8. №. 1. C. 1-207.

218. Wang R. et al. Convolutional recurrent neural networks for text classification //2019 International Joint Conference on Neural Networks (IJCNN).IEEE, 2019. C. 1-6.

219. Chandna P. et al. Monoaural audio source separation using deep convolutional neural networks //International conference on latent variable analysis and signal separation. Springer, Cham, 2017. C. 258-266.

220. Gokmen T., Onen M., Haensch W. Training deep convolutional neural networks with resistive cross-point devices //Frontiers in neuroscience. 2017. T. 11. C. 538.

221. Zheng Y. B. et al. Fully-connected tensor network decomposition and its application to higher-order tensor completion //Proceedings of the AAAI Conference on Artificial Intelligence. 2021. T. 35. №. 12. C. 11071-11078.

222. Tseng K.L. et al. Joint sequence learning and cross-modality convolution for 3D biomedical segmentation //Proceedings of the IEEE conference on Computer Vision and Pattern Recognition. 2017. C. 6393-6400.

223. Lin M. et al. Rotated binary neural network //Advances in neural information processing systems. 2020. T. 33. C. 7474-7485.

224. Garcia-Garcia A. et al. A survey on deep learning techniques for image and video semantic segmentation //Applied Soft Computing. 2018. T. 70. C. 41-65.

225. Cai Z. et al. Generative adversarial networks: A survey toward private and secure applications //ACM Computing Surveys (CSUR). 2021. T. 54. №. 6. C. 1-38.

226. Sarbolandi H., Lefloch D., Kolb A. Kinect range sensing: Structured-light versus Time-of-Flight Kinect //Computer vision and image understanding. 2015. T. 139. C. 1-20.

227. Liu N. et al. Learning to predict eye fixations via multiresolution convolutional neural networks //IEEE transactions on neural networks and learning systems. 2016. T. 29. №. 2. C. 392-404.

228. Lu X. et al. Mimicdet: Bridging the gap between one-stage and two-stage object detection //European Conference on Computer Vision. Springer, Cham, 2020. C. 541-557.

229. Lowe D.G. Object recognition from local scale-invariant features //Proceedings of the seventh IEEE international conference on computer vision. Ieee, 1999. T. 2. C. 1150-1157.

230. Girshick R. et al. R-CNN: region-based convolutional neural networks //Proc. Comput. Vis. Pattern Recognit. 2014. C. 2-9.

231. Huang R., Pedoeem J., Chen C. YOLO-LITE: a real-time object detection algorithm optimized for non-GPU computers //2018 IEEE International Conference on Big Data (Big Data). IEEE, 2018. C. 2503-2510.

232. Liu W. et al. Ssd: Single shot multibox detector //European conference on computer vision. Springer, Cham, 2016. C. 21-37.

233. Wang Y. et al. Automatic ship detection based on RetinaNet using multiresolution Gaofen-3 imagery //Remote Sensing. 2019. Т. 11. №. 5. С. 531.

234. Li S., Liu Z. Q., Chan A.B. Heterogeneous multi-task learning for human pose estimation with deep convolutional neural network //Proceedings of the IEEE conference on computer vision and pattern recognition workshops. 2014. С. 482-489.

235. Ayesha H. et al. Automatic medical image interpretation: State of the art and future directions //Pattern Recognition. 2021. Т. 114. С. 107856.

236. Liu X., Deng Z., Yang Y. Recent progress in semantic image segmentation //Artificial Intelligence Review. 2019. Т. 52. №. 2. С. 1089-1106.

237. De Charette R., Nashashibi F. Traffic light recognition using image processing compared to learning processes //2009 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE, 2009. С. 333-338.

238. Leudet J. et al. Virtual environment for training autonomous vehicles //Annual Conference Towards Autonomous Robotic Systems. Springer, Cham, 2018. С. 159-169.

239. Patil D.D., Deore S.G. Medical image segmentation: a review //International Journal of Computer Science and Mobile Computing. 2013. Т. 2. №. 1. С. 22-27.

240. Guijarro M. et al. Automatic segmentation of relevant textures in agricultural images //Computers and Electronics in Agriculture. 2011. Т. 75. №. 1. С. 75-83.

241. Парфентьев К.А. Определение местоположения летательного аппарата по изображению подстилающей поверхности //Приборы и системы. Управление, контроль, диагностика. 2022. №. 8. С. 1-5.

242. Li C. et al. Scalable graph convolutional networks with fast localized spectral filter for directed graphs //IEEE Access. 2020. Т. 8. С. 105634-105644.

243. Lee H. et al. Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations //Proceedings of the 26th annual international conference on machine learning. 2009. С. 609-616.

244. Ranzato M.A. et al. Unsupervised learning of invariant feature hierarchies with applications to object recognition //2007 IEEE conference on computer vision and pattern recognition. IEEE, 2007. C. 1-8.

245. Sun M. et al. Learning pooling for convolutional neural network //Neurocomputing. 2017. T. 224. C. 96-104.

246. Law H., Deng J. Cornernet: Detecting objects as paired keypoints //Proceedings of the European conference on computer vision (ECCV). 2018. C. 734-750.

247. LeCun Y. et al. Convolutional networks for images, speech, and time series //The handbook of brain theory and neural networks. 1995. T. 3361. №. 10. C. 1995.

248. Zhao R. et al. Learning to monitor machine health with convolutional bidirectional LSTM networks //Sensors. 2017. T. 17. №. 2. C. 273.

249. Srivastava N. et al. Dropout: a simple way to prevent neural networks from overfitting //The journal of machine learning research. 2014. T. 15. №. 1. C. 1929-1958.

250. Chatterjee J., Chakraborty S., Palodhi K. A novel automated blood cell counting method based on deconvolution and convolution and its application to neural networks //Advanced Computing and Systems for Security. Springer, Singapore, 2020. C. 67-78.

251. Akilan T., Wu Q.M.J., Zhang W. Video foreground extraction using multiview receptive field and encoder-decoder DCNN for traffic and surveillance applications //IEEE Transactions on Vehicular Technology. 2019. T. 68. №. 10. C. 9478-9493.

252. Montavon G., Samek W., Müller K.R. Methods for interpreting and understanding deep neural networks //Digital signal processing. 2018. T. 73. C. 1-15.

253. Xi P., Goubran R., Shu C. Cardiac murmur classification in phonocardiograms using deep recurrent-convolutional neural networks //Frontiers in Pattern Recognition and Artificial Intelligence. - 2019. - C. 189-209.

254. Im D. et al. DT-CNN: An energy-efficient dilated and transposed convolutional neural network processor for region of interest based image segmentation

//IEEE Transactions on Circuits and Systems I: Regular Papers. 2020. T. 67. №. 10. C. 3471-3483.

255. Zeiler M.D., Taylor G.W., Fergus R. Adaptive deconvolutional networks for mid and high level feature learning //2011 international conference on computer vision. IEEE, 2011. C. 2018-2025.

256. Su H. et al. Splatnet: Sparse lattice networks for point cloud processing //Proceedings of the IEEE conference on computer vision and pattern recognition. -

2018. C. 2530-2539.

257. Chen G. et al. Fully convolutional neural network with augmented atrous spatial pyramid pool and fully connected fusion path for high resolution remote sensing image segmentation //Applied Sciences. 2019. T. 9. №. 9. C. 1816.

258. Chen L., Wu C. A note on the expressive power of deep rectified linear unit networks in high-dimensional spaces //Mathematical Methods in the Applied Sciences.

2019. T. 42. №. 9. C. 3400-3404.

259. Maniatopoulos A., Mitianoudis N. Learnable Leaky ReLU (LeLeLU): An Alternative Accuracy-Optimized Activation Function //Information. 2021. T. 12. №. 12. C. 513.

260. Biswas K. et al. Eis-efficient and trainable activation functions for better accuracy and performance //International Conference on Artificial Neural Networks. Springer, Cham, 2021. C. 260-272.

261. Sahin I., Koyuncu I. Design and implementation of neural networks neurons with RadBas, LogSig, and TanSig activation functions on FPGA //Elektronika ir elektrotechnika. 2012. T. 120. №. 4. C. 51-54.

262. Zamanlooy B., Mirhassani M. Efficient VLSI implementation of neural networks with hyperbolic tangent activation function //IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 2013. T. 22. №. 1. C. 39-48.

263. Hinton G.E. Learning multiple layers of representation //Trends in cognitive sciences. 2007. T. 11. №. 10. C. 428-434.

264. Baesens B. et al. Benchmarking state-of-the-art classification algorithms for credit scoring //Journal of the operational research society. 2003. T. 54. №. 6. C. 627635.

265. Li Z. et al. Efficient fpga implementation of softmax function for DNN applications //2018 12th IEEE International Conference on Anti-counterfeiting, Security, and Identification (ASID). IEEE, 2018. C. 212-216.

266. Singarimbun R.N., Nababan E.B., Sitompul O.S. Adaptive moment estimation to minimize square error in backpropagation algorithm //2019 International Conference of Computer Science and Information Technology (ICoSNIKOM). IEEE, 2019. -C. 1-7.

267. Maghari A.Y. et al. COVID-19 Detection in X-ray Images using CNN Algorithm //2020 International conference on promising electronic technologies (ICPET). IEEE, 2020. C. 5-9.

268. Li Z., Lyu K., Arora S. Reconciling modern deep learning with traditional optimization analyses: The intrinsic learning rate //Advances in Neural Information Processing Systems. 2020. T. 33. C. 14544-14555.

269. Shazeer N., Stern M. Adafactor: Adaptive learning rates with sublinear memory cost //International Conference on Machine Learning. PMLR, 2018. C. 4596-4604.

270. Alonso-Monsalve S. et al. Convolution on neural networks for high-frequency trend prediction of cryptocurrency exchange rates using technical indicators //Expert Systems with Applications. 2020. T. 149. C. 113250.

271. Barakat A., Bianchi P. Convergence and dynamical behavior of the ADAM algorithm for nonconvex stochastic optimization //SIAM Journal on Optimization. 2021. T. 31. №. 1. C. 244-274.

272. Yang L., Cai D. AdaDB: An adaptive gradient method with data-dependent bound //Neurocomputing. 2021. T. 419. C. 183-189.

273. Geiger A., Lenz P., Urtasun R. Are we ready for autonomous driving? the kitti vision benchmark suite //2012 IEEE conference on computer vision and pattern recognition. IEEE, 2012. С. 3354-3361.

274. Gundogdu E., Alatan A. A. Spatial windowing for correlation filter based visual tracking //2016 IEEE International Conference on Image Processing (ICIP). IEEE, 2016. С. 1684-1688.

275. Liu S. et al. Structural correlation filter for robust visual tracking //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. С. 4312-4320.

276. Nessa A. et al. A survey of machine learning for indoor positioning //IEEE access. 2020. Т. 8. С. 214945-214965.

277. Khalaf O.I., Abdulsahib G.M. Frequency estimation by the method of minimum mean squared error and P-value distributed in the wireless sensor network //J. Inf. Sci. Eng. 2019. Т. 35. №. 5. С. 1099-1112.

278. Li Y., Zhu J. A scale adaptive kernel correlation filter tracker with feature integration //European conference on computer vision. Springer, Cham, 2014. С. 254265.

279. Danelljan M. et al. Discriminative scale space tracking //IEEE transactions on pattern analysis and machine intelligence. 2016. Т. 39. №. 8. С. 1561-1575.

280. Yadav S., Payandeh S. Critical Overview of Visual Tracking with Kernel Correlation Filter //Technologies. 2021. Т. 9. №. 4. С. 93.

281. Пименова М.Б., Парфентьев К.В. Обнаружение движущихся объектов в кадре по методу вычисления оптического потока Лукаса-Канаде //Автоматизация. Современные технологии. 2021. Т. 75. №. 1. С. 34-39.

282. Guo C., Zhu S.C., Wu Y.N. Primal sketch: Integrating structure and texture //Computer Vision and Image Understanding. 2007. Т. 106. №. 1. С. 5-19.

283. Li Y. et al. A survey of recent advances in visual feature detection //Neurocomputing. 2015. Т. 149. С. 736-751.

284. Kaushal M., Khehra B.S., Sharma A. Soft Computing based object detection and tracking approaches: State-of-the-Art survey //Applied Soft Computing. 2018. T. 70. C. 423-464.

285. Salahat E., Qasaimeh M. Recent advances in features extraction and description algorithms: A comprehensive survey //2017 IEEE international conference on industrial technology (ICIT). IEEE, 2017. C. 1059-1063.

286. Tuytelaars T. et al. Local invariant feature detectors: a survey //Foundations and trends in computer graphics and vision. 2008. T. 3. №. 3. C. 177-280.

287. Matas J. et al. Robust wide-baseline stereo from maximally stable extremal regions //Image and vision computing. 2004. T. 22. №. 10. C. 761-767.

288. Leutenegger S., Chli M., Siegwart R. Y. BRISK: Binary robust invariant scalable keypoints //2011 International conference on computer vision. Ieee, 2011. C. 2548-2555.

289. Sipiran I., Bustos B. Harris 3D: a robust extension of the Harris operator for interest point detection on 3D meshes //The Visual Computer. 2011. T. 27. №. 11. C. 963-976.

290. Phillips P.J. et al. Overview of the face recognition grand challenge //2005 IEEE computer society conference on computer vision and pattern recognition (CVPR'05). IEEE, 2005. T. 1. C. 947-954.

291. Viswanathan D.G. Features from accelerated segment test (fast) //Proceedings of the 10th workshop on image analysis for multimedia interactive services, London, UK. 2009. C. 6-8.

292. Bay H. et al. Speeded-up robust features (SURF) //Computer vision and image understanding. 2008. T. 110. №. 3. C. 346-359.

293. Alcantarilla P.F., Bartoli A., Davison A.J. KAZE features //European conference on computer vision. Springer, Berlin, Heidelberg, 2012. C. 214-227.

294. Rublee E. et al. ORB: An efficient alternative to SIFT or SURF //2011 International conference on computer vision. Ieee, 2011. C. 2564-2571.

295. Adlinge G. et al. Text Extraction from image using MSER approach //Int. J. Res. Eng. Technol.(IRJET). 2016. T. 3. №. 05.

296. Tan Z. et al. A table segmentation and text information extraction method for power work ticket //2021 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC). IEEE, 2021. C. 1-6.

297. Cai C., Ding X., Zhu H. Registration of Infrared and Visible Image Based on OpenCV //2018 IEEE International Conference on Mechatronics and Automation (ICMA). IEEE, 2018. C. 2086-2091.

298. I§ik §. A comparative evaluation of well-known feature detectors and descriptors //International Journal of Applied Mathematics Electronics and Computers. 2014. T. 3. №. 1. C. 1-6.

299. Maimone M., Cheng Y., Matthies L. Two years of visual odometry on the mars exploration rovers //Journal of Field Robotics. 2007. T. 24. №. 3. C. 169-186.

300. Devasagayam J., Bosma R., Collier C.M. A velocity program using the Kanade-Lucas-Tomasi feature-tracking algorithm with demonstration for pressure and electroosmosis conditions //Electrophoresis. 2022. T. 43. №. 7-8. C. 865-878.

301. Possa P.R. et al. A multi-resolution FPGA-based architecture for real-time edge and corner detection //IEEE Transactions on Computers. 2013. T. 63. №. 10. C. 2376-2388.

302. Mohamed S.A.S. et al. Dynamic resource-aware corner detection for bio-inspired vision sensors //2020 25th International Conference on Pattern Recognition (ICPR). IEEE, 2021. C. 10465-10472.

303. Gao S., Janowicz K., Couclelis H. Extracting urban functional regions from points of interest and human activities on location-based social networks //Transactions in GIS. 2017. T. 21. №. 3. C. 446-467.

304. Wang J. et al. Real-time computer-generated integral imaging and 3D image calibration for augmented reality surgical navigation //Computerized Medical Imaging and Graphics. 2015. T. 40. C. 147-159.

305. Sundararajan S.K., Gomathi B.S., Priya D.S. Continuous set of image processing methodology for efficient image retrieval using BOW SHIFT and SURF features for emerging image processing applications //2017 International Conference on Technological Advancements in Power and Energy (TAP Energy). IEEE, 2017. C. 1-7.

306. Li J. et al. Visual saliency based on scale-space analysis in the frequency domain //IEEE transactions on pattern analysis and machine intelligence. 2012. T. 35. -№. 4. C. 996-1010.

307. Hildebrandt K., Polthier K. Anisotropic filtering of non-linear surface features //Computer Graphics Forum. Oxford, UK and Boston, USA : Blackwell Publishing, Inc, 2004. T. 23. №. 3. C. 391-400.

308. Tegze G. et al. Advanced operator splitting-based semi-implicit spectral method to solve the binary phase-field crystal equations with variable coefficients //Journal of Computational Physics. 2009. T. 228. №. 5. C. 1612-1623.

309. Kulkarni A.V., Jagtap J.S., Harpale V.K. Object recognition with ORB and its Implementation on FPGA //International Journal of Advanced Computer Research. -2013. T. 3. №. 3. C. 164.

310. Nikolic D.D., Filipovic N.D. Application of AR Technology in Bioengineering //Computational Modeling and Simulation Examples in Bioengineering. 2021. C. 219-257.

311. Jakubovic A., Velagic J. Image feature matching and object detection using brute-force matchers //2018 International Symposium ELMAR. IEEE, 2018. C. 83-86.

312. Raguram R., Frahm J. M., Pollefeys M. A comparative analysis of RANSAC techniques leading to adaptive real-time random sample consensus //European conference on computer vision. Springer, Berlin, Heidelberg, 2008. C. 500513.

313. Shimada M., Ohtaki T. Generating large-scale high-quality SAR mosaic datasets: Application to PALSAR data for global monitoring //IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2010. T. 3. №. 4. C. 637-656.

Приложение

Реализация алгоритма выделения границ в системе МаШ,^огк8 МЛТЬЛБ

Юг ]=1:5 foг 1=1:16

8=81гса1(,В:\учеба\11те1ар8е\,,пит281г(2015+]),,\си1\,,пит281г(1),,.рп§'); Мтгеаё^);

h1=fspecia1(,gaussian,,[15 15]); 11 =1т£111ег(1,Ы); h2=fspecia1(,sobe1,); h3=h2,;

I2=imfi1teг(I1,h2); I3=imfi1teг(I1,hз);

I4=uint8((doub1e(I2).л2+doub1e(I3).л2).л0.5);

I5=(doub1e(I2).л2+doub1e(I3).л2).л0.5;

I2=conv2(doub1e(I1),h2);

I3=conv2(doub1e(Il),hз);

I4=uint8((I2.л2+I3.л2).л0.5);

I5=(I2.л2+I3.л2).л0.5;

[у x]=size(I5);

Щу,:)=[];

Щ :,*)=[];

^СД)^];

[у x]=size(I5); B=гeshape(I5,[y*x 1]); B=soгt(B); 1oad(,thre.mat,); I12=zeгos(y,x); I123=zeгos(y,x); I1234=zeгos(y,x); foг уу=1:У foг xx=1:x if Щуу^^ШП

I12(yy,xx)=255; end;

if I5(yy,xx)>th123(2)

I123(yy,xx)=255; e1seif I5(yy,xx)>th 123(1)

I123(yy,xx)=127; end;

if I5(yy,xx)>th1234(3)

I1234(yy,xx)=255; elseif I5(yy,xx)>th1234(2)

I1234(yy,xx)=170; elseif I5(yy,xx)>th1234( 1 )

I1234(yy,xx)=S4; end; end; end;

Приложение Подробная структура нейросетевой модели

Рисунок П.2.1. Подробная структура нейронной сети

Слои нейронной сети:

1. ImageInputLayer

2. Encoder-Stage-1-Conv-1

3. Encoder-Stage-1-ReLU-1

4. Encoder-Stage-1-Conv-2

5. Encoder-Stage-1-ReLU-2

6. Encoder-Stage-1-MaxPool

7. Encoder-Stage-2-Conv-1

8. Encoder-Stage-2-ReLU-1

9. Encoder-Stage-2-Conv-2

10. Encoder- Stage-2-ReLU-2

11.Encoder-Stage-2-MaxPool

12. Encoder- Stage-3-Conv-1

13.Encoder-Stage-3-ReLU-1

14. Encoder- Stage-3-Conv-2

15.Encoder-Stage-3-ReLU-2

16.Encoder-Stage-3-MaxPool

17.Encoder-Stage-4-Conv-1

18.Encoder-Stage-4-ReLU-1

19.Encoder-Stage-4-Conv-2

20. Encoder- Stage-4-ReLU-2

21.Encoder-Stage-4-DropOut

22. Encoder- Stage-4-MaxPool

23.Bridge-Conv-1

24. Bridge-ReLU-1

25.Bridge-Conv-2

26. Bridge-ReLU-2

27. Bridge-DropOut

28. Decoder- Stage-1 -UpConv

29. Decoder- Stage-1 -UpReLU

30.Decoder-Stage-1-DepthConcatenation

31. Decoder-Stage-1 -Conv-1

32. Decoder- Stage-1 -ReLU-1

33.Decoder-Stage-1 -Conv-2

34. Decoder- Stage-1 -ReLU-2

35. Decoder- Stage-2-UpConv

36.Decoder-Stage-2-UpReLU

37.Decoder-Stage-2-DepthConcatenation

38. Decoder- Stage-2-Conv-1

39. Decoder- Stage-2-ReLU-1

40. Decoder- Stage-2-Conv-2

41.Decoder-Stage-2-ReLU-2

42.Decoder-Stage-3-UpConv

43.Decoder-Stage-3-UpReLU

44.Decoder-Stage-3-DepthConcatenation

45.Decoder-Stage-3-Conv-1

46.Decoder-Stage-3-ReLU-1

47.Decoder-Stage-3-Conv-2

48. Decoder- Stage-3-ReLU-2

49. Decoder- Stage-4-UpConv

50. Decoder- Stage-4-UpReLU