Aircraft Detection with Deep Neural Networks and Contour-Based Methods
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
National University "Zaporizhzhia Polytechnic", Zaporizhzhia
Abstract
ENG: Context. Aircraft detection is an essential task in the military, as fast and accurate aircraft identification allows for timely response to potential threats, effective airspace control, and national security. The use of deep neural networks improves the accuracy of aircraft recognition, which is essential for modern defense and airspace monitoring needs. Objective. The work aims to improve the accuracy of aircraft recognition in high-resolution optical satellite imagery by using deep neural networks and a method of sequential boundary traversal to detect object contours. Method. A method for improving the accuracy of aircraft detection on high-resolution satellite images is proposed. The first stage involves collecting data from the HRPlanesv2 dataset containing high-precision satellite images with aircraft annotations. The second stage consists of preprocessing the images using a sequential boundary detection method to detect object contours. In the third stage, training data is created by integrating the obtained contours with the original HRPlanesv2 images. In the fourth stage, the YOLOv8m object detection model is trained separately on the original HRPlanesv2 dataset and the dataset with the applied preprocessing, which allows the evaluation of the impact of additional processed features on the model performance. Results. Software that implements the proposed method was developed. Testing was conducted on the primary data before preprocessing and the data after its application. The results confirmed the superiority of the proposed method over classical approaches, providing higher aircraft recognition accuracy. The mAP50 index reached 0.994, and the mAP50-95 index reached 0.864, 1% and 4.8% higher than the standard approach. Conclusions. The experiments confirm the effectiveness of the proposed method of aircraft detection using deep neural networks and the process of sequential boundary traversal to detect object contours. The results indicate this approach’s high accuracy and efficiency, which allows us to recommend it for use in research related to aircraft recognition in high-resolution images. Further research could focus on improving image preprocessing methods and developing object recognition technologies in machine learning.
UKR: Актуальність. Розпізнавання літаків є важливою задачею у військовій сфері, оскільки швидка та точна ідентифікація літальних апаратів дозволяє своєчасно реагувати на потенційні загрози, ефективно контролювати повітряний простір і підтримувати національну безпеку. Використання глибоких нейронних мереж підвищує точність розпізнавання літаків, що є важливим для сучасних потреб оборони та моніторингу повітряного простору. Мета роботи – підвищення точності розпізнавання літаків на оптичних космічних знімках високої роздільної здатності за допомогою глибоких нейронних мереж та методу послідовного обходу меж для виявлення контурів об’єктів. Метод. Запропоновано метод для підвищення точності розпізнавання літаків на супутникових знімках високої роздільної здатності. На першому етапі здійснюється збір даних із набору HRPlanesv2, що містить високоточні супутникові зображення з анотаціями літаків. Другий етап передбачає попередню обробку зображень за допомогою методу послідовного обходу меж для виявлення контурів об’єктів. На третьому етапі створюються навчальні дані шляхом інтеграції отриманих контурів з оригінальними зображеннями HRPlanesv2. На четвертому етапі модель виявлення об’єктів YOLOv8m тренується окремо на оригінальному наборі даних HRPlanesv2 та на наборі даних із застосованою попередньою обробкою, що дозволяє оцінити вплив додаткових оброблених характеристик на продуктивність моделі. Результати. Розроблено програмне забезпечення, яке реалізує запропонований метод. Тестування проводилося як на первинних даних до попередньої обробки, так і на даних після її застосування. Результати підтвердили перевагу запропонованого методу над класичними підходами, забезпечуючи вищу точність розпізнавання літаків. Показник mAP50 досяг 0.994, а mAP50-95 – 0.864, що на 1% і 4,8% відповідно, вище, ніж у стандартного підходу. Висновки. Проведені експерименти підтверджують ефективність запропонованого методу розпізнавання літаків за допомогою глибоких нейронних мереж та методу послідовного обходу меж для виявлення контурів об’єктів. Результати вказують на високу точність і ефективність цього підходу, що дозволяє рекомендувати його для використання в задачах, пов’язаних із розпізнаванням літаків на зображеннях високої роздільної здатності. Подальші дослідження можуть зосередитися на вдосконаленні методів попередньої обробки зображень і розвитку технологій розпізнавання об’єктів у машинному навчанні.
UKR: Актуальність. Розпізнавання літаків є важливою задачею у військовій сфері, оскільки швидка та точна ідентифікація літальних апаратів дозволяє своєчасно реагувати на потенційні загрози, ефективно контролювати повітряний простір і підтримувати національну безпеку. Використання глибоких нейронних мереж підвищує точність розпізнавання літаків, що є важливим для сучасних потреб оборони та моніторингу повітряного простору. Мета роботи – підвищення точності розпізнавання літаків на оптичних космічних знімках високої роздільної здатності за допомогою глибоких нейронних мереж та методу послідовного обходу меж для виявлення контурів об’єктів. Метод. Запропоновано метод для підвищення точності розпізнавання літаків на супутникових знімках високої роздільної здатності. На першому етапі здійснюється збір даних із набору HRPlanesv2, що містить високоточні супутникові зображення з анотаціями літаків. Другий етап передбачає попередню обробку зображень за допомогою методу послідовного обходу меж для виявлення контурів об’єктів. На третьому етапі створюються навчальні дані шляхом інтеграції отриманих контурів з оригінальними зображеннями HRPlanesv2. На четвертому етапі модель виявлення об’єктів YOLOv8m тренується окремо на оригінальному наборі даних HRPlanesv2 та на наборі даних із застосованою попередньою обробкою, що дозволяє оцінити вплив додаткових оброблених характеристик на продуктивність моделі. Результати. Розроблено програмне забезпечення, яке реалізує запропонований метод. Тестування проводилося як на первинних даних до попередньої обробки, так і на даних після її застосування. Результати підтвердили перевагу запропонованого методу над класичними підходами, забезпечуючи вищу точність розпізнавання літаків. Показник mAP50 досяг 0.994, а mAP50-95 – 0.864, що на 1% і 4,8% відповідно, вище, ніж у стандартного підходу. Висновки. Проведені експерименти підтверджують ефективність запропонованого методу розпізнавання літаків за допомогою глибоких нейронних мереж та методу послідовного обходу меж для виявлення контурів об’єктів. Результати вказують на високу точність і ефективність цього підходу, що дозволяє рекомендувати його для використання в задачах, пов’язаних із розпізнаванням літаків на зображеннях високої роздільної здатності. Подальші дослідження можуть зосередитися на вдосконаленні методів попередньої обробки зображень і розвитку технологій розпізнавання об’єктів у машинному навчанні.
Description
Vol. Hnatushenko: ORCID 0000-0003-3140-3788
Keywords
machine learning, image and contour recognition, optical image preprocessing, high-resolution imagery, aircraft detection, машинне навчання, розпізнавання образів та контурів, попередня обробка оптичних зображень, знімки високої роздільної здатності, розпізнавання літаків, КІТС
Citation
Radionov Y. D., Kashtan V. Yu., Hnatushenko V. V., Kazymyrenko O. V. Aircraft Detection with Deep Neural Networks and Contour-Based Methods. Radio Electronics, Computer Science, Control. 2024. No. 4. P. 121–129. DOI: https://doi.org/10.15588/1607-3274-2024-4-12.