Веб-сервис с моделью машинного обучения для мониторинга воздушного пространства

Цель. Целью исследования является разработка веб-сервиса детектирования воздушных объектов, обнаруживающего любой летящий объект, выделяя его на изображении и классифицирующий его на предмет угрозы, поскольку современные системы обнаружения воздушных объектов (ПВО) не всегда эффективно справляются с задачей обнаружения беспилотных летательных аппаратов (БПЛА) из-за их малых размеров, низкой высоты полета и использования материалов, малозаметных для радиолокационных станций. БПЛА, функционирующие без управления оператора, также затрудняют обнаружение по радиосигналам. Для эффективного обнаружения БПЛА предлагается использовать систему, основанную на оптическом сканировании неба вокруг охраняемых объектов. Такая система должна обладать возможностью автономной работы и включать в себя детекторы воздушных объектов, созданные на основе технологий компьютерного зрения и искусственного интеллекта (ИИ). Метод. Исследование и разработка веб-сервиса мониторинга воздушного пространства основаны на методах системного анализа, синтеза, дедукции. Результат. Спроектирована и разработана визуальная часть веб интерфейса; сформирован датасет из открытых источников для корректного обнаружения летящих объектов; разработан нейросетевой детектор для классификации летящих объектов представляющих опасность; разработан программный модуль, позволяющий проводить автоматическое обнаружение идентификационных флагов опасных воздушных объектов с последующим предоставлением отчетов в txt файлах в yolo формате (координаты нормализованы). Вывод. Разделение визуальной части сервиса позволит обеспечить распределенное развертывание серверной части, повышая гибкость и масштабируемость. Разработка панели управления администратора позволит эффективно контролировать работу сервиса, управлять настройками и пользователями. В результате внедрения этих улучшений, вебсервис сможет: выполнять мониторинг неба вокруг охраняемых объектов, автоматически обнаруживая и классифицируя воздушные объекты и идентифицировать воздушные объекты по степени угрозы, предоставляя информацию для принятия необходимых мер.

1. Беспилотные летательные аппараты: библиографический указатель /сост. О. В. Давыденко; под ред. Н. Н. Астаповой. – Кемерово: ИИО Кузбасской ГСХА, 2021. – 23 с.

2. Астахова, Н. Л. Дроны и их пилотирование. С чего начать / Н. Л. Астахова, В. А. Лукашов. - СПб.: БХВ-Петербург, 2021. – 224 с.: ил.

3. Дудкин А.А., Ганченко В.В., Инютин А.В., Марушко Е.Е. Идентификация и классификация объектов на изображениях, полученных с помощью съемочных средств БПЛА и орбитального базирования // Системный анализ и прикладная информатика. 2022. № 4. С. 30–37.

4. Бубеньщиков А.А., Кастырин М.И., Потаенков Г.О. Разработка аппаратно-программного модуля обнаружения и идентификации БПЛА с запретом его доступа в охраняемую зону на основе подмены сигналов управления//Сборник: Техника и безопасность объектов уголовно-исполнительной системы. Сб. мат. Международной научно-практической конференции. Иваново, 2022. С. 186–189.

5. Создание и развертывание моделей компьютерного зрения//URL: https://roboflow.com/ (дата обращения 01.06.2024).

6. Струков С.А., Печенкин А.Ю., Белослудцев В.Н. Реализация принципов определения расстояния до объектов на базе искусственной нейронной сети // Сборник: Приборостроение в XXI веке – 2022.интеграция науки, образования и производства. Сборник материалов XVIII Всероссийской научно-технической конференции. Ижевск, 2023. С. 56–60.

7. Цурихин О.И., Сокольников В.В. Процесс создания выборки для обучения нейросети с помощью Roboflow // Информационные технологии в строительных, социальных и экономических системах. 2024. № 1–2 (31–32). С. 58–61.

8. Ochkov V.F., Tikhonov A.I., Stevens A. Jupyter notebook, Jupyterlab-integrated environment for stem education // В сборнике: 2022 6th International Conference on Information Technologies in Engineering Education, Inforino 2022 - Proceedings. 6. 2022.

9. Ильичев В.Ю. Применение библиотеки OpenCV языка Python для распознавания образов объектов // Системный администратор. 2021. № 7-8 (224-225). С. 130-132.

10. Практическое применение моделей YOLO и ResNet для обнаружения нежелательных предметов на фотографиях // URL: https://habr.com/ru/articles/761200/ (дата обращения 01.06.2024).

11. Chae M.S., Lee H.M., Lee K. A. Performance comparison of Linux containers and virtual machines using Docker and Kvm // Cluster Computing. 2019. Т. 22. № Suppl. 1. С. 1765–1775.

12. Захарчёнок В.Ф., Бизюк А.Н. Контейниризация и развертывание приложений с помощью Docker и Docker-compose // В сборнике: Материалы докладов 56-й международной научно-технической конференции преподавателей и студентов. в двух томах. Витебск, 2023. С. 80–82.