Программная реализация метода идентификации и отслеживания объектов для автономной системы компьютерного зрения беспилотных летательных аппаратов
Another Title
A software implementation of an object identification and tracking method for an autonomous computer vision system of an unmanned aerial vehicle
Bibliographic entry
Саечников, И. В. Программная реализация метода идентификации и отслеживания объектов для автономной системы компьютерного зрения беспилотных летательных аппаратов = A software implementation of an object identification and tracking method for an autonomous computer vision system of an unmanned aerial vehicle / И. В. Саечников, В. В. Скакун, Э. А. Чернявская // Приборостроение-2022 : материалы 15-й Международной научно-технической конференции, 16-18 ноября 2022 года, Минск, Республика Беларусь / редкол.: О. К. Гусев (председатель) [и др.]. – Минск : БНТУ, 2022. – С. 168-169.
Abstract
Последние тренды в развитии микроэлектроники для малых космических и беспилотных аппаратов открывают широкие перспективы для внедрения методов идентификации и отслеживания в системах компьютерного зрения. В данной работе мы предлагаем подобный метод и его программную реализацию для автономной системы компьютерного зрения беспилотных летательных аппаратов. Метод основан на идентификации глубокой нейронной сетью YOLOv5tr и отслеживании двунаправленной сетью ,,долгой краткосрочная память,, дополненной сетью на базе автоэнкодера, формирующей карту признаков. Метод был обучен на отмаркированном наборе данных видеоряда с БПЛА и реализован в программной среде Python. Сравнительный анализ предложенного метода с существующими показал эффективность для практического применения на системах компьютерного зрения БПЛА.
Abstract in another language
Recent trends in the development of microelectronics for small spacecrafts and drones offer broad prospects for the implementation of identification and tracking methods in computer vision systems. In this paper, we propose a similar method and its software implementation for an autonomous computer vision system for unmanned aerial vehicles. The method is based on the identification by a deep neural network YOLOv5tr and tracking by a bi-directional network ,,long short-term memory, augmented by an autoencoder-based network that forms a feature map. The method was trained on a labelled UAV video dataset and implemented in a Python software environment. A comparative analysis of the proposed method with existing ones showed the effectiveness for practical application on UAV computer vision systems.