Аннотация. Разрабатывается система противодействия БПЛА и дронам с помощью мониторинга воздушного пространства и идентификации воздушных объектов и их траекторий полета. Основой предлагаемой системы служит блок идентификации БПЛА, который классифицирует фотоизображения с помощью встроенной нейронной сети искусственного зрения. Рассматривается задача проектирования данной нейронной сети для наблюдения с поверхности земли за воздушными объектами в оптическом диапазоне с целью определения основных геометрических параметров этих объектов для последующей их классификации и формирования на выходе сети соответствующих информационных сигналов и признаков. Предполагается использование данных признаков в качестве исходных данных для анализа алгоритмов поведения и формирования траектории наблюдаемых объектов. Спроектирована архитектура нейронной сети, оптимизированная для решаемой задачи, состоящая из сверхточных и полносвязных слоев. Для получения более гибкого логического вывода в программе реализованы элементы нечеткой логики. Реализованы подключаемые по стохастическому алгоритму различные методы аугментации исходных изображений на основе фильтров типа GaussianBlur, а также алгоритмов поворота и отражения. Особое внимание уделяется рассмотрению алгоритмов обучения нейронной сети и решению вопросов оптимизации и адаптации процесса обучения под решаемую задачу. Предлагается способ, построенный на основе метода Adam, для адаптивного изменения размера шага градиентного спуска на каждом этапе расчета в пределах рассматриваемой партии материала обучения (батча), учитывающий историю изменения градиента функции активации и функции стоимости. Разработана компьютерная программа развертки и обучения нейронной сети. Успешно проведено многоэтапное обучение, тестирование программы по изображениям воздушных объектов из семи различных классов. Отдельное внимание уделено воспроизводимости результатов обучения. Наряду с итоговой точностью классификации контролировалась устойчивость распределения вероятностей по классам, а также повторяемость результатов при повторных запусках обучения на одинаковых массивах данных.

Ключевые слова: искусственное зрение, сверточная нейронная сеть, параллельные вычисления, крос-энтропийная потеря, регуляризация, метод Adam, функция активации, нечеткая логика

Для цитирования: Молчанов Д. А., Третьяков А. В. Система идентификации воздушных объектов с помощью искусственного зрения // Аэрокосмическая техника и технологии. 2026. Т. 4, № 1. С. 124–143. https://doi.org/10.52467/2949-401X-2026-4-1-124-143; https://elibrary.ru/QCYIHU
Библиографический список
1. Гусейнов А. Б, Ляпунов В. В., Трусов В. Н. Проектирование систем управления крылатых ракет. М.: МАИ, 2020, 192 с. ISBN: 978-5-4316-0755-4; https://elibrary.ru/BYTHUB
2. Третьяков А. В., Пискунова О. И., Тарасенко А. В. Проектирование систем автоматического управления для авиационных устройств. Дубна: ГУ «Дубна», 2025, 221 с. ISBN: 978-5-89847-731-8; https://elibrary.ru/HKATAV
3. Liu L., Jiang H., He P., Chen W., Liu X., Gao J., Han J. On the variance of the adaptive learning rate and beyond // Proceedings of the Eighth International Conference on Learning Representations (ICLR 2020). URL: https://arxiv.org/abs/1908.03265 (дата обращения 18.03.2026).
4. De Luca G., Aibin M. Neural network architecture: criteria for choosing the number and size of hidden layers // Baeldung on Computer Science. 2025. URL: https://translated.turbopages.org/proxy_u/en-ru.ru.3fc11e68-69c3d5ae-aebd9d0e-74722d776562/https/www.baeldung.com/cs/neural-networks-hidden-layers-criteria (дата обращения 18.03.2026).
5. Терехов В. И., Черненький И. М., Минакова С. В. Исследование и разработка методов настройки числа нейронов в скрытом слое полносвязной нейронной сети // Нейрокомпьютеры: разработка, применение. 2017. № 3. С. 52–62. https://elibrary.ru/YZIRCD
6. Фролов В. В., Жолткевич Г. Н., Приходько О. Ю., Скурятин Ю. В. Метод предварительного выбора архитектуры многослойной нейронной сети для аппроксимации полигармонического сигнала // Вестник РГРТУ. 2021. № 78. С. 102–111. https://doi.org/10.21667/1995-4565-2021-78-102-111
7. Наталенко Д. Н. Повторная идентификация диких животных на изображениях с применением методов глубокого обучения // Вестник компьютерных и информационных технологий. 2026. № 2. С. 13–22. https://doi.org/10.14489/vkit.2026.02.pp.013-022
8. Калиев Д. И., Швец О. Я. Сверточные нейронные сети для решения задач обнаружения пожаров по данным аэрофотосъемки // Программные системы: теория и приложения 2022. Т. 13, № 1(52). С. 195–213. https://doi.org/10.25209/2079-3316-2022-13-1-195-213
9. Bentz J. CUDA 13.2 Introduces enhanced CUDA tile support and new python features // NVIDIA Technical Blog. 9.03.2026. URL: https://developer.nvidia.com/blog/cuda-13-2-introduces-enhanced-cuda-tile-support-and-new-python-features/ (дата обращения 22.03.2026).
10. Вакуленко С. А., Жихарева А. А. Практический курс по нейронным сетям. СПб: Университет ИТМО, 2018. 71 с.
11. Васкан В. Д. Обзор архитектур сверточных нейронных сетей для задачи классификации изображений // ИТ-Стандарт. 2021. Т. 28, № 3. URL: https://itstd-journal.ru/?page_id=1080&article=234 (дата обращения 03.12.2025)
12. Kingma D. P., Ba J. L. Adam: A Method for stochastic Optimization // Proceedings of the Conference Track 3rd International Conference on Learning Representations, (ICLR), San Diego, CA, USA, May 7-9, 2015. URL: https://doi.org/10.48550/arXiv.1412.6980 (дата обращения 23.03.2026)
13. Liu H., Jia X., Su C., Yang H., Li C. Tire appearance defect detection method via combining HOG and LBP features // Frontiers in Physics. 2023. Vol. 10. 12 p. https://doi.org/10.3389/fphy.2022.1099261
14. Dalal N., Triggs B. Histograms of oriented gradients for human detection // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), San Diego, CA, USA, 20-25 June 2005. IEEE, 2025. Vol. 1. Pp. 886–893. https://doi.org/10.1109/CVPR.2005.177
15. Mumuni A., Mumuni F., Gerrar N. K. A survey of synthetic data augmentation methods in computer vision // Machine Intelligence Research. 2024. Vol. 21. Pp. 831–869. https://doi.org/10.1007/s11633-022-1411-7
16. Shorten C., Khoshgoftaar T.M. A survey on Image Data Augmentation for Deep Learning // Journal of Big Data. 2019. Vol. 6., no.1. Article 60. https://doi.org/10.1186/s40537-019-0197-0
17. Johnson J., Alahi A., Fei-Fei L. Perceptual losses for real-time style transfer and super-resolution // Computer Vision – ECCV 2016. ECCV 2016. Lecture Notes in Computer Science, vol 9906. Springer, Cham., 2016. https://doi.org/10.1007/978-3-319-46475-6_43
18. Боровик И. Г., Нгуен К. Т. Сравнение функций активации softmax и сигмоида в контексте многоклассовой классификации распознавания объектов // Международный научно-исследовательский журнал. 2024. Т. 144, № 6. 6 с. https://doi.org/10.60797/IRJ.2024.144.174