ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ КРУПНОРАЗМЕРНЫХ БПЛА ПРИ РЕШЕНИИ ЗАДАЧ КОМПЛЕКСНОГО ОБСЛЕДОВАНИЯ ТЕРРИТОРИЙ

  • А. М. Федулин АО «КТ – Беспилотные Системы»
  • Д.М. Дрягин АО «КТ – Беспилотные Системы»
Ключевые слова: Крупноразмерный БПЛА, диверсификация БПЛА, система технического зрения, ретроспективный анализ, автоматическая обработка данных аэросъемки, объектно- ориентированное выявление изменений, нейронные сети

Аннотация

Целью приведенного в настоящей работе исследования является оценка перспектив-
ности применения крупноразмерных беспилотных летательных аппаратов (БПЛА) боль-
шой продолжительности полета для решения задачи регулярного комплексного обследова-
ния территорий большой площади относительно других применяемых для этого средств,
таких как: малоразмерные БПЛА, космические аппараты для дистанционного зондирова-
ния Земли и пилотируемые летательные аппараты. Рассмотрен вопрос практического
построения программно-аппаратного комплекса бортовой системы технического зрения
на основе крупноразмерного БПЛА «Орион» взлетной массой более тонны, обеспечивающе-
го аэрофотографическую съемку в видимом и ближнем инфракрасном диапазоне и воздуш-
ное лазерное сканирование подстилающей поверхности с автоматической обработкой
получаемых данных на борту в режиме времени, близком к реальному, с целью выявления
произошедших с предыдущего обследования интересующих изменений. Определены ключе-
вые составные части системы технического зрения, включая требуемую для решения
функциональных задач программно-аппаратную платформу для обеспечения высокопроиз-
водительных вычислений и хранения больших объемов данных. В работе приведена пер-
спективная архитектура построения такой системы, даны расчетные оценки по ее поис-
ковой производительности, массе и потребляемой мощности, определена типовая высота
выполнения полетов, обеспечивающая пространственное разрешения получаемой видовой
информации, необходимое для надлежащей работы алгоритмов объектно-
ориентированного распознавания интересующих изменений, построенных на машинном
обучении сверточных нейронных сетей. Предложены организационно-технические решения
по ускорению цикла обработки данных, с учетом требований законодательства в части
рассекречивания данных аэросъемки. Полученные в ходе выполнения работы результаты
подтверждают, что после выдачи БПЛА «Орион» Федеральным агентством воздушного
транспорта сертификата типа воздушного судна, дающего право выполнения коммерче-
ских полетов в общем воздушном пространстве Российской Федерации, на его базе с ис-
пользованием современных технологий съемки и интеллектуальной обработки данных
можно будет реализовать аэросъемочный комплекс высокой производительности и сте-
пени автономности, тактико-технические и экономические характеристики которого
будут на порядки превосходить существующие на данный момент решения, особенно для
труднодоступных районов страны.

Литература

1. Shaytura S.V., Vaskina M.Yu. Kompleksnaya tsifrovaya model' monitoringa rayona [Integrated
digital area monitoring model], Geoekologiya [Geoecology], 2019, No. 4, pp. 71-76. Doi:
10.24411/1816-1863-2019-14071.
2. Zhuravlev G.R., Shapovalov D.A. Printsipy i predlozheniya ispol'zovaniya rezul'tatov
aerofotos"emki, poluchennykh s pomoshch'yu BPLA, v tselyakh vyyavleniya
nezaregistrirovan-nykh ob"ektov nedvizhimosti [Principles and proposals for using the
results of aerial photography obtained with the help of UAVs in order to identify unregi stered
real estate objects], Moskovskiy ekonomicheskiy zhurnal [Moscow Economic Journal],
2020, No. 6, pp. 135-143.
3. Bragina E.V., Chernykh Zh.V. Sovremennyy uroven' i tendentsii razvitiya gruppirovki
kosmicheskikh sredstv DZZ v interesakh polucheniya operativnoy kosmicheskoy informatsii o
zemnoy poverkhnosti [Current level and trends in the development of a constellation of spacebased
DZ tools for the purpose of obtaining operational space information on the earth's surface],
Sb. trudov ХХХ Mezhdunarodnoy nauchno-prakticheskoy konferentsii
«Predot ras c enie. Spasenie. Pomos c '» po napra leniyu se tsii «So ers enst o anie
ta ti i deyst iy spasatel'ny oins i formiro aniy C S Rossii», im i, 19 marta 2020 g.
[Proceedings of the XXX International Scientific and Practical Conference “Prevention. Rescue.
Help” in the direction of the section “Improving the tactics of actions of rescue military
units of the EMERCOM of Russia”, Khimki, 19 march 2020], 2020, pp. 27-37.
4. Dolzhenkov N.N., Fedulin A.M., Dryagin D.M. Puti povysheniya avtonomnosti krupnorazmernykh
bespilotnykh aviatsionnykh sistem dvoynogo naznacheniya [Improvements of the
MALE-class UAS autonomy], Obshcherossiyskiy nauchno-te nic es iy z urnal «Polet»
[Journal «POLIOT»], 2020, No. 9, pp. 3-11.
5. Kostin A.S. Klassifikatsiya grazhdanskikh bespilotnykh letatel'nykh apparatov i sfery ikh
primeneniya [Сlassification of civil unmanned aerial vehicles and their scope of application],
Sistemnyy analiz i logistika [System analysis and logistics], 2019, No. 1 (19), pp. 70-80.
6. Quispe D., Sulla-Torres J. Automatic Building Change Detection on Aerial Images using
Convolutional Neural Networks and Handcrafted Features, International Journal of Advanced
Computer Science and Applications, 2020, Vol. 11, No. 6, pp. 679-684.
7. Huang X., Zhang L. Morphological building/shadow index for building extraction from highresolution
imagery over urban areas, IEEE Journal of Selected Topics in Applied Earth Observations
and Remote Sensing, 2012, No. 2, Vol. 5, pp. 161-172.
8. Tang Y., Huang X., Zhang L. Fault-tolerant building change detection from urban highresolution
remote sensing imagery, IEEE Geoscience and Remote Sensing Letters, 2013, No.
09, Vol. 10, pp. 1060-1064.
9. Huang X., Zhang L., Zhu T. Building change detection from multitemporal high-resolution
remotely sensed images based on a morphological building index, Selected Topics in Applied
Earth Observations and Remote Sensing, IEEE Journal of, 2014, No. 01, Vol. 7, pp. 105-115.
10. Wen D., Huang X., Zhang L., Benediktsson J. A novel automatic change detection method for
urban high-resolution remotely sensed imagery based on multiindex scene representation,
IEEE Transactions on Geoscience and Remote Sensing, 2015, No. 1, Vol. 54, pp. 1-17.
11. Dornaika F., Moujahid A., El Merabet Y., Ruichek Y. Building detection from orthophotos
using a machine learning approach: An empirical study on image segmentation and descriptors,
Expert Systems with Applications, 2016, No. 3, ppol. 58.
12. Ji S., Wei S., Lu M. Fully convolutional networks for multisource building extraction from an
open aerial and satellite imagery data set, IEEE Transactions on Geoscience and Remote Sensing,
2018, No. 8, pp. 1-13.
13. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image
Segmentation, MICCAI 2015. Lecture Notes in Computer Science, Vol. 9351. Springer, Cham.
14. ULTRACAM CONDOR MARK 1. Available at: https://www.vexcelimaging.
com/brochures/UC_Condor_M1_ru.pdf (accessed 14 February 2021).
15. Grishina A.I., Ramazanov R.R., Glukhov A.V., Levchenko E.N. Kombinirovanie metodov
nazemnogo lazernogo skanirovaniya i aerofotos"emki s bespilotnogo letatel'nogo apparata dlya
povysheniya effektivnosti kontrolya promyshlennogo stroitel'stva [The Combining groundbased
laser scanning and aerial photography from an unmanned aerial vehicle to improve the
efficiency of industrial construction control], Vektor GeoNauk [Vector of Geosciences], 2020,
No. 3, pp. 55-67. Doi: 10.24411/2619-0761-2020-10032.
16. RIEGL VQ-1560 II-S. Available at: http://www.riegl.com/uploads/tx_pxpriegldownloads/
RIEGL_VQ-1560II-S_Preliminary-Datasheet_2020-10-05_01.pdf (accessed 14 February 2021).
17. Vega A., Lin C., Swaminathan K., Buyuktosunoglu A., Pankanti S., Bose P. Resilient, UAVembedded
real-time computing, 2015 33rd IEEE International Conference on Computer Design
(ICCD), New York, NY, 2015, pp. 736-739. Doi: 10.1109/ICCD.2015.7357189.
18. Barnell M., Raymond C., Capraro C., Isereau D., Cicotta C., Stokes N. High-Performance
Computing and Machine Learning Demonstrated in Flight Using Agile Condor®, 2018 IEEE
Hig Performance extreme Computing Conference», Walt am, A, 25 - 27 September 2018,
USA. 2018, pp. 1-4. Doi: 10.1109/HPEC.2018.8547797.
19. Fedulin A.M., Gorbatsevich V.S., Osadchuk A.V. Kontseptual'nyy podkhod k sozdaniyu
nazemnoy infrastruktury mashinnogo obucheniya sistem tekhnicheskogo zreniya dlya
bespilotnoy aviatsii [General Approach to the Trusted Machine Learning of the UAV Computer-
Vision Systems], Obshcherossiyskiy nauchno-te nic es iy z urnal «POLET» [Journal
«POLIOT»], 2020, No. 11, pp. 32-38.
20. Adamov A.A., Pavlukhin P.V., Bikonov D.V., Eysymont A.L., Eysymont L.K. Al'ternativnye
sovremennym GPGPU perspektivnye universal'nye i spetsializirovannye protsessory-uskoriteli
[Modern GPGPU alternative perspective universal and specialized processors-accelerators],
Voprosy kiberbezopasnosti [Cybersecurity issues], 2019, No. 4, pp. 13-21.
21. Osipenko P.N., Uvkin I.V. Blok tenzornykh vychisleniy dlya uskoreniya rascheta
iskusstvennykh neyronnykh setey [Tensor computing block for speeding up the calculation of
artificial neural networks], Nanoindustriya [Nanoindustry], 2020, Vol. 13, No. S4 (99),
pp. 261-262. Doi: 10.22184/1993-8578.2020.13.4s.261.262.
Опубликован
2021-04-04
Выпуск
Раздел
РАЗДЕЛ V. ТЕХНИЧЕСКОЕ ЗРЕНИЕ