Сегментування зображення з first-person-view безпілотного літального апарату на основі простого мурашиного алгоритму

Автор(и)

  • Геннадій Володимирович Худов Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0002-3311-2848
  • Ілля Юрійович Грідасов Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0003-4886-4468
  • Ірина Анатоліївна Хижняк Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0003-3431-7631
  • Ірина Юріївна Юзова Інститут цивільної авіації, Україна https://orcid.org/0000-0002-0013-5808
  • Юрий Станиславович Соломоненко Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0002-6503-7475

DOI:

https://doi.org/10.15587/1729-4061.2024.310372

Ключові слова:

FPV БПЛА, сегментування, рух мурах, феромон, привабливість маршруту, цільова функція

Анотація

Об’єктом дослідження є процес сегментування зображення з First Person View (FPV) безпілотного літального апарату (БПЛА). Основна гіпотеза дослідження полягала в тому, що використання простого мурашиного алгоритму дозволить забезпечити необхідну якість сегментованого зображення.

Метод сегментування, на відміну від відомих, враховує кількість мурах на зображенні, вагу, початкову кількість та швидкість випаровування феромону, «жадібність» алгоритму та передбачає:

– попереднє виділення окремих каналів кольорового простору Red-Green-Blue (RGB);

– попереднє розміщення мурах по рівномірному закону;

– визначення маршрутів мурах;

– врахуванням привабливості маршруту для кожної мурахи;

– зміну (корегування) концентрації феромонів мурах;

– розрахунок ймовірності руху (переходу) мурахи на маршруті руху;

–  визначення цільової функції на j-ій ітерації та її мінімізація;

– визначення координат маршруту руху (переміщення) мурах;

– перевірка виконання умови зупинки;

– визначення кращих знайдених маршрутів мурах;

– розрахунок яскравостей пікселів сегментованого зображення в кожному каналі кольорового простору RGB;

– подальшим поєднанням результатів поканального сегментування.

Проведено експериментальне дослідження сегментування зображення з FPV БПЛА на основі простого мурашиного алгоритму. Наведений об’єкт інтересу на сегментованому зображенні має певну структуру, нерозрівність контурів та може бути в подальшому використаний для проведення дешифрування, класифікації тощо. На відміну від об’єкту інтересу, фонові («сміттєві» об’єкти) на сегментованому зображенні не мають сталої структури та можуть бути в подальшому відсіяні.

Встановлено, що сегментоване зображення відомим методом на основі модуля градієнту має низьке значення контрасту, є пропуски сегментованих пікселів об’єкту інтересу. Сегментоване зображення методом на основі простого мурашиного алгоритму вільне від зазначеного недоліку

Біографії авторів

Геннадій Володимирович Худов, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Доктор технічних наук, професор, начальник кафедри

Кафедра тактики радіотехнічних військ

Ілля Юрійович Грідасов, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Провідний науковий співробітник

Науково-методичний відділ

Ірина Анатоліївна Хижняк, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Кандидат технічних наук, начальник відділу

Науково-методичний відділ

Ірина Юріївна Юзова, Інститут цивільної авіації

Кандидат технічних наук, викладач

Кафедра інформаційних технологій

Юрий Станиславович Соломоненко, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Кандидат технічних наук

Кафедра тактики радіотехнічних військ

Посилання

  1. First-person view (FPV) drones. Available at: https://www.peoplesproject.com/en/first-person-view-drones/
  2. Hashimov, E., Sabziev, E., Huseynov, B., Huseynov, M. (2023). Mathematical aspects of determining the motion parameters of a target by UAV. Advanced Information Systems, 7 (1), 18–22. https://doi.org/10.20998/2522-9052.2023.1.03
  3. Barabash, O., Kyrianov, A. (2023). Development of control laws of unmanned aerial vehicles for performing group flight at the straight-line horizontal flight stage. Advanced Information Systems, 7 (4), 13–20. https://doi.org/10.20998/2522-9052.2023.4.02
  4. Kaufmann, E., Bauersfeld, L., Loquercio, A., Müller, M., Koltun, V., Scaramuzza, D. (2023). Champion-level drone racing using deep reinforcement learning. Nature, 620 (7976), 982–987. https://doi.org/10.1038/s41586-023-06419-4
  5. Military Imaging and Surveillance Technology (MIST) (Archived). Available at: https://www.darpa.mil/program/military-imaging-and-surveillance-technology
  6. LLano, E. G., Roig, D. O., Cabrera, Y. C. (2018). Unsupervised Segmentation of Agricultural Crops in UAV RGB Images. Revista Cubana de Ciencias Informáticas, 12 (4), 17–28. Available at: https://www.redalyc.org/journal/3783/378365912002/html/
  7. Zhu, S., Zhao, J., Guo, L. (2014). Rival Penalized Image Segmentation. Journal of Multimedia, 9 (5). https://doi.org/10.4304/jmm.9.5.736-745
  8. Kinahan, J., Smeaton, A. F. (2021). Image Segmentation to Identify Safe Landing Zones for Unmanned Aerial Vehicles. Proceedings of the 29th Irish Conference on Artificial Intelligence and Cognitive Science AICS'2021. https://doi.org/10.48550/arXiv.2111.14557
  9. Pap, M., Kiraly, S., Moljak, S. (2019). Investigating the usability of UAV obtained multispectral imagery in tree species segmentation. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2/W18, 159–165. https://doi.org/10.5194/isprs-archives-xlii-2-w18-159-2019
  10. Treboux, J., Genoud, D. (2018). Improved Machine Learning Methodology for High Precision Agriculture. 2018 Global Internet of Things Summit (GIoTS). https://doi.org/10.1109/giots.2018.8534558
  11. Parsons, M., Bratanov, D., Gaston, K. J., Gonzalez, F. (2018). UAVs, Hyperspectral Remote Sensing, and Machine Learning Revolutionizing Reef Monitoring. Sensors, 18 (7), 2026. https://doi.org/10.3390/s18072026
  12. Lin, Z., Doyog, N. D., Huang, S.-F., Lin, C. (2021). Segmentation and Classification of UAV-based Orthophoto of Watermelon Field Using Support Vector Machine Technique. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. https://doi.org/10.1109/igarss47720.2021.9553715
  13. Miyamoto, H., Momose, A., Iwami, S. (2018). UAV image classification of a riverine landscape by using machine learning techniques. Geophysical Research Abstracts, 20, EGU2018-5919. Available at: https://meetingorganizer.copernicus.org/EGU2018/EGU2018-5919.pdf
  14. Son, J., Jung, I., Park, K., Han, B. (2015). Tracking-by-Segmentation with Online Gradient Boosting Decision Tree. 2015 IEEE International Conference on Computer Vision (ICCV). https://doi.org/10.1109/iccv.2015.350
  15. Huang, L., Song, J., Yu, X., Fang, L. (2019). Unmanned Aerial Vehicle Remote Sensing Image Segmentation Method by Combining Superpixels with multi-features Distance Measure. IOP Conference Series: Earth and Environmental Science, 234, 012022. https://doi.org/10.1088/1755-1315/234/1/012022
  16. Zimudzi, E., Sanders, I., Rollings, N., Omlin, C. (2018). Segmenting mangrove ecosystems drone images using SLIC superpixels. Geocarto International, 34 (14), 1648–1662. https://doi.org/10.1080/10106049.2018.1497093
  17. Xiang, S., Xu, J., Zhao, J., Li, Y., Zhang, S. (2015). A novel LBP-Mean shift segmentation algorithm for UAV remote sensing images based on LBP textural features and improved Mean shift algorithm. Proceedings of the 3rd International Conference on Mechatronics, Robotics and Automation. https://doi.org/10.2991/icmra-15.2015.79
  18. Wang, H., Shen, Z., Zhang, Z., Xu, Z., Li, S., Jiao, S., Lei, Y. (2021). Improvement of Region-Merging Image Segmentation Accuracy Using Multiple Merging Criteria. Remote Sensing, 13 (14), 2782. https://doi.org/10.3390/rs13142782
  19. Shen, X., Teng, Y., Fu, H., Wan, Z., Zhang, X. (2020). Crop identification using UAV image segmentation. Second Target Recognition and Artificial Intelligence Summit Forum. https://doi.org/10.1117/12.2552195
  20. Bhatnagar, S., Gill, L., Ghosh, B. (2020). Drone Image Segmentation Using Machine and Deep Learning for Mapping Raised Bog Vegetation Communities. Remote Sensing, 12 (16), 2602. https://doi.org/10.3390/rs12162602
  21. Marcu, A., Licaret, V., Costea, D., Leordeanu, M. (2021). Semantics Through Time: Semi-supervised Segmentation of Aerial Videos with Iterative Label Propagation. Computer Vision – ACCV 2020, 537–552. https://doi.org/10.1007/978-3-030-69525-5_32
  22. Khudov, H., Makoveichuk, O., Butko, I., Gyrenko, I., Stryhun, V., Bilous, O. et al. (2022). Devising a method for segmenting camouflaged military equipment on images from space surveillance systems using a genetic algorithm. Eastern-European Journal of Enterprise Technologies, 3 (9 (117)), 6–14. https://doi.org/10.15587/1729-4061.2022.259759
  23. Khudov, H., Makoveichuk, O., Khizhnyak, I., Oleksenko, O., Khazhanets, Y., Solomonenko, Y. et al. (2022). Devising a method for segmenting complex structured images acquired from space observation systems based on the particle swarm algorithm. Eastern-European Journal of Enterprise Technologies, 2 (9 (116)), 6–13. https://doi.org/10.15587/1729-4061.2022.255203
  24. Khudov, H., Ruban, I., Makoveichuk, O., Pevtsov, H., Khudov, V., Khizhnyak, I. et al. (2020). Development of methods for determining the contours of objects for a complex structured color image based on the ant colony optimization algorithm. EUREKA: Physics and Engineering, 1, 34–47. https://doi.org/10.21303/2461-4262.2020.001108
  25. Ruban, I., Khudov, H., Makoveichuk, O., Khizhnyak, I., Lukova-Chuiko, N., Pevtsov, H. et al. (2019). Method for determining elements of urban infrastructure objects based on the results from air monitoring. Eastern-European Journal of Enterprise Technologies, 4 (9 (100)), 52–61. https://doi.org/10.15587/1729-4061.2019.174576
  26. de O. Bastos, L., Liatsis, P., Conci, A. (2008). Automatic texture segmentation based on k-means clustering and efficient calculation of co-occurrence features. 2008 15th International Conference on Systems, Signals and Image Processing. https://doi.org/10.1109/iwssip.2008.4604387
  27. Hung, C.-C., Song, E., Lan, Y. (2019). Image Texture, Texture Features, and Image Texture Classification and Segmentation. Image Texture Analysis, 3–14. https://doi.org/10.1007/978-3-030-13773-1_1
  28. Tian, Y., Li, Y., Liu, D., Luo, R. (2016). FCM texture image segmentation method based on the local binary pattern. 2016 12th World Congress on Intelligent Control and Automation (WCICA). https://doi.org/10.1109/wcica.2016.7578571
  29. Gorokhovatskyi, V., Peredrii, O., Tvoroshenko, I., Markov, T. (2023). Distance matrix for a set of structural description components as a tool for image classifier creating. Advanced Information Systems, 7 (1), 5–13. https://doi.org/10.20998/2522-9052.2023.1.01
  30. Hurin, A., Khudov, H., Kostyria, O., Maslenko, O., Siadrystyi, S. (2024). Comparative analysis of spectral anomalies detection methods on images from on-board remote sensing systems. Advanced Information Systems, 8 (2), 48–57. https://doi.org/10.20998/2522-9052.2024.2.06
  31. Khudov, H., Khizhnyak, I., Glukhov, S., Shamrai, N., Pavlii, V. (2024). The method for objects detection on satellite imagery based on the firefly algorithm. Advanced Information Systems, 8 (1), 5–11. https://doi.org/10.20998/2522-9052.2024.1.01
  32. Mohammed Jabbar, A., Ku-Mahamud, K. R., Sagban, R. (2020). An improved ACS algorithm for data clustering. Indonesian Journal of Electrical Engineering and Computer Science, 17 (3), 1506. https://doi.org/10.11591/ijeecs.v17.i3.pp1506-1515
  33. Jablonowski, M. (2020). Beyond drone vision: the embodied telepresence of first-person-view drone flight. The Senses and Society, 15 (3), 344–358. https://doi.org/10.1080/17458927.2020.1814571
  34. Saha, A., Kumar, A., Sahu, A. K. (2017). FPV drone with GPS used for surveillance in remote areas. 2017 Third International Conference on Research in Computational Intelligence and Communication Networks (ICRCICN). https://doi.org/10.1109/icrcicn.2017.8234482
  35. Siddiqui, W. A. (2024). Design and Fabrication of FPV Racing Drone. Journal of Mechanical and Construction Engineering (JMCE), 4 (1), 1–8. https://doi.org/10.54060/a2zjournals.jmce.38
  36. Salamh, F. E., Karabiyik, U., Rogers, M. K., Matson, E. T. (2021). A Comparative UAV Forensic Analysis: Static and Live Digital Evidence Traceability Challenges. Drones, 5 (2), 42. https://doi.org/10.3390/drones5020042
  37. Karp, S. (2023). Introduction to FPV drones. Available at: https://www.thedroningcompany.com/blog/introduction-to-fpv-drones
  38. Defense industry of Ukraine. Available at: https://mil.in.ua/en/news/
Сегментування зображення з first-person-view безпілотного літального апарату на основі простого мурашиного алгоритму

##submission.downloads##

Опубліковано

2024-08-30

Як цитувати

Худов, Г. В., Грідасов, І. Ю., Хижняк, І. А., Юзова, І. Ю., & Соломоненко, Ю. С. (2024). Сегментування зображення з first-person-view безпілотного літального апарату на основі простого мурашиного алгоритму . Eastern-European Journal of Enterprise Technologies, 4(9 (130), 44–55. https://doi.org/10.15587/1729-4061.2024.310372

Номер

Том 4 № 9 (130) (2024): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2024 Hennadii Khudov, Illia Hridasov, Irina Khizhnyak, Iryna Yuzova, Yuriy Solomonenko

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.