Методи підвищення ефективності виявлення малих об'єктів БПЛА

Abstract

У кваліфікаційній роботі досліджувався процес виявлення та розпізнавання малих об’єктів на зображеннях, отриманих із безпілотних літальних апаратів. Мета дослідження полягала у підвищенні ефективності детекції малих і слабо помітних об’єктів шляхом модернізації архітектури RT-DETR із впровадженням модулів CasNet, SOEP та CSAM, а також оптимізації моделі для роботи на вбудованих нейронних процесорах. В якості методів дослідження використовувалися теоретичний аналіз архітектур глибинного навчання, моделювання та експериментальне тестування на наборах даних VisDrone2019 і DOTA, а також методи квантизації та дистиляції для покращення апаратної продуктивності. Результати роботи показали, що розроблена вдосконалена модель UAV-DETR++ забезпечує підвищення точності детекції (mAP@0.5) на 3–3.5% у порівнянні з базовими рішеннями при збереженні швидкодії на рівні 30 FPS. Новизна дослідження полягає у створенні оптимізованої архітектури зі зменшеною кількістю параметрів (до 16,8 млн), що дозволяє її ефективне розгортання на апаратних прискорювачах типу NVIDIA Jetson Orin або Google Coral. Практичне значення отриманих результатів полягає у можливості їх застосування для створення систем автоматизованого моніторингу, пошуково-рятувальних комплексів та засобів ситуаційної обізнаності в оборонному та цивільному секторах.The thesis examined the process of detecting and recognizing small objects in images obtained from unmanned aerial vehicles. The goal of the study was to improve the detection of small and faint objects by upgrading the RT-DETR architecture with CasNet, SOEP, and CSAM modules, as well as optimizing the model for embedded neural processors. The research methods used included theoretical analysis of deep learning architectures, modeling, and experimental testing on the VisDrone2019 and DOTA datasets, as well as quantization and distillation methods to improve hardware performance. The results showed that the developed improved UAV-DETR++ model provides a 3–3.5% increase in mAP@0.5 compared to baseline solutions while maintaining a performance level of 30 FPS. The novelty of the research lies in the creation of an optimized architecture with a reduced number of parameters (up to 16.8 million), which allows for its effective deployment on hardware accelerators such as NVIDIA Jetson Orin or Google Coral. The practical significance of the results obtained lies in the possibility of their application for the creation of automated monitoring systems, search and rescue complexes, and situational awareness tools in the defense and civil sectors.