Дослідження глибинного навчання для розпізнавання уражень обʼєктів у надзвичайних ситуаціях

Read full text Summarise with VIRAT
Authors: І.В. Кравець, Dmytro I. Uhryn, Т. В. Терлецький
Cited by: 0
References: 12

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

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

Fields of Study & Subjects

Advanced Neural Network Applications Infrastructure Maintenance and Monitoring Industrial Vision Systems and Defect Detection

Publication details

Journal / source
COMPUTER-INTEGRATED TECHNOLOGIES EDUCATION SCIENCE PRODUCTION
Issue
62
Pages
15–26
Publication date
26 March 2026
Language
UK