ІНТЕГРАЦІЯ АЛГОРИТМІВ КОМПʼЮТЕРНОГО ЗОРУ ТА РІШЕНЬ НА ОСНОВІ CNN ДЛЯ ЗАДАЧ РЕАЛЬНОГО ЧАСУ В СИСТЕМАХ МОНІТОРИНГУ

ІНТЕГРАЦІЯ АЛГОРИТМІВ КОМПʼЮТЕРНОГО ЗОРУ ТА РІШЕНЬ НА ОСНОВІ CNN ДЛЯ ЗАДАЧ РЕАЛЬНОГО ЧАСУ В СИСТЕМАХ МОНІТОРИНГУ Анотація.У статті розглянуто задачу побудови ресурсно ефективних систем відеомоніторингу реального часу, здатних забезпечувати високу точність виявлення та стабільність супроводження рухомих об'єктів за умов обмежених обчислювальних ресурсів.Показано, що традиційні алгоритми комп'ютерного зору, зокрема методи фонового моделювання та морфологічної обробки, характеризуються високою швидкодією, однак є чутливими до шумів, змін освітлення, тіней і складної геометрії сцени.Водночас сучасні згорткові нейронні мережі демонструють високу точність детекції, але їх пряме застосування до кожного кадру призводить до значного зростання латентності та обчислювальних витрат, що ускладнює використання в режимі реального часу.Запропоновано інтегровану математичну модель та інформаційну технологію обробки відеопотоку, яка поєднує класичні алгоритми комп'ютерного зору, компактну CNN-модель та багатооб'єктний трекер у єдиний узгоджений конвеєр.На першому етапі за допомогою фонового моделювання та морфологічних операцій формується множина початкових гіпотез рухомих об'єктів.На другому етапі згорткова нейронна мережа використовується як семантичний коректор для уточнення та фільтрації отриманих регіонів, що дозволяє суттєво зменшити кількість хибнопозитивних детекцій без залучення повномасштабних CNN-детекторів.Особливістю підходу є сценоспецифічне навчання CNN на патчах, сформованих безпосередньо з аналізованого відеоданого, що підвищує адаптивність моделі до конкретних умов спостереження.На третьому етапі реалізовано асоціацію детекцій між кадрами за допомогою IoU-базованого трекінгу, який забезпечує часову когерентність та стабільність ідентифікаторів об'єктів.Для експериментальної перевірки запропонованої моделі розроблено модульний програмний прототип мовою Python та проведено серію експериментів на анотованому відеодатасеті з CVAT-розміткою.Оцінювання № 13(54) 2025 1762 здійснювалося за детекційними та трекінговими метриками precision, recall, F1, mAP, MOTA, IDF1, а також за показником латентності.Отримані результати демонструють істотне підвищення точності та стабільності супроводження об'єктів порівняно з класичним підходом, при цьому середня затримка обробки кадру залишається в межах, прийнятних для систем моніторингу реального часу.Запропонована інформаційна технологія підтверджує доцільність поєднання класичних CV-алгоритмів і CNN-моделей у балансній архітектурі та може бути використана як основа для побудови сучасних автоматизованих систем відеомоніторингу, зокрема на ресурсно обмежених edge-платформах.