Дослідження глибинного навчання для розпізнавання уражень обʼєктів у надзвичайних ситуаціях

Анотація

Розглянуто задачу автоматичного розпізнавання та оцінювання уражень об’єктів у надзвичайних ситуаціях на основі сучасних методів глибинного навчання. Проведено аналіз сучасних методів глибинного навчання для задач автоматичного розпізнавання та оцінювання уражень об’єктів у надзвичайних ситуаціях. Також було розглянуто особливості застосування моделей глибинного навчання в умовах візуальних шумів, часткової видимості об’єктів та складного фону. На основі розглянутих підходів виявлення та сегментації було виявлено, що однорівневі архітектури мають обмеження  при обробці даних з БПЛА. На основі цього запропоновано підхід до побудови комбінованої архітектури, що складається з швидкого виявлення за допомогою моделі YOLOv8, сегментацію використовуючи U-Net та класифікацію пошкоджень з EfficientNet. Запропонований підхід орієнтований на використання в умовах обмежених обчислювальних ресурсів та нестабільного зв’язку, що є критично важливим для зон надзвичайних ситуацій. В результаті було запропоновано модель обробки даних, яка враховує особливість різних типів вхідних даних, а також вплив зовнішніх факторів (дим, низьке освітлення). Отримані результати підтверджують доцільність використання комбінованих архітектур для підвищення надійності автоматизованої оцінки пошкоджень. Було продемонстровано результати тестового використання окремих складових запропонованої моделі, що показує можливість створення систем реагування на надзвичайні ситуації. Практична цінність дослідження полягає у формуванні концептуальних засад для створення автономних інтелектуальних систем реагування на надзвичайні ситуації