Розробка методу сегментування зображення з безпілотного літального апарату на основі алгоритму рою частинок

Автор(и)

  • Геннадій Володимирович Худов Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0002-3311-2848
  • Владислав Геннадійович Худов Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-9863-4743
  • Олександр Миколайович Маковейчук Заклад вищої освіти міжнародний науково-технічний університет імені академіка Юрія Бугая, Україна https://orcid.org/0000-0003-4425-016X
  • Ірина Анатоліївна Хижняк Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0003-3431-7631
  • Ілля Юрійович Грідасов Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0001-5689-0311
  • Ігор Миколайович Бутко Міжнародний науково-технічний університет імені академіка Юрія Бугая, Україна https://orcid.org/0000-0002-2859-0351
  • Ростислав Геннадійович Худов Харківський національний університет імені В. Н. Каразіна, Україна https://orcid.org/0000-0002-6209-209X
  • Сергій Іванович Глухов Військовий інститут Київського національного університету імені Тараса Шевченка, Україна https://orcid.org/0000-0002-4918-3739
  • Назар Миколайович Шамрай Військовий інститут Київського національного університету імені Тараса Шевченка, Україна https://orcid.org/0000-0001-8387-3277
  • Богдан Анатолійович Лісогорський Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0001-5345-0345

DOI:

https://doi.org/10.15587/2706-5448.2025.330973

Ключові слова:

сегментування, безпілотний літальний апарат, ройовий інтелект, алгоритм рою частинок, k-means

Анотація

Об’єкт дослідження – процес сегментування зображень з безпілотного літального апарату на основі алгоритму рою частинок.

Одним з найбільш проблемних місць при сегментуванні зображень з безпілотних літальних апаратів є зниження ефективності відомих методів сегментування. Окрім цього, більшість методів недостатньо точно розпізнають дрібні об’єкти, які займають незначну частину зображення.

Удосконалено метод сегментування зображення з безпілотного літального апарату на основі алгоритму рою частинок, в якому, на відміну від відомих, проводиться:

– перетворення вихідного зображення у відповідний колірний простір;

– вибір каналу для подальшого аналізу;

– ініціалізація рою частинок на вихідному зображенні в кожному обраному для подальшого аналізу каналі;

– обчислення цільової функції для кожної частинки рою на зображенні в кожному обраному каналі;

– порівняння поточного значення цільової функції для кожної частинки рою з кращим значення цільової функції на зображенні в кожному обраному каналі;

– обчислення значення швидкості та нового місцеположення для кожної частинки рою на зображенні;

– переміщення кожної частинки рою на зображенні в кожному обраному каналі;

– визначення частинок рою з найкращим значенням цільової функції на зображенні в кожному каналі;

– об’єднання каналів та формування результуючого зображення.

В ході дослідження встановлено, що сегментоване зображення удосконаленим методом на основі алгоритму рою частинок має кращу візуальну якість у порівнянні з відомим методом сегментування. Встановлено, що удосконалений метод сегментування на основі алгоритму рою частинок забезпечує зниження помилок сегментування І роду в середньому на 11% і зниження помилок сегментування ІI роду в середньому на 9%.

Спонсор дослідження

  • Дослідження проводилося за рахунок грантової підтримки Національного фонду досліджень України в рамках конкурсу «Наука для зміцнення обороноздатності України», проект «Інформаційна технологія сегментування зображень обєктів в системах націлювання FPV-дронів на основі алгоритмів ройового інтелекту», реєстраційний номер 2023.04/0153.

Біографії авторів

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

Доктор технічних наук, професор, начальник кафедри

Кафедра тактики радіотехнічних військ

Владислав Геннадійович Худов, Харківський національний університет радіоелектроніки

Кандидат технічних наук, молодший науковий співробітник

Кафедра безпеки інформаційних технологій

Олександр Миколайович Маковейчук, Заклад вищої освіти міжнародний науково-технічний університет імені академіка Юрія Бугая

Доктор технічних наук, доцент

Кафедра комп’ютерних наук та інженерії програмного забезпечення

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

Науково-методичний відділ забезпечення якості освітньої діяльності та вищої освіти

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

Провідний науковий співробітник

Науково-методичний відділ

Ігор Миколайович Бутко, Міжнародний науково-технічний університет імені академіка Юрія Бугая

Доктор технічних наук, професор

Кафедра комп’ютерних наук та інженерії програмного забезпечення

Ростислав Геннадійович Худов, Харківський національний університет імені В. Н. Каразіна

Кафедра теоретичної та прикладної інформатики

Сергій Іванович Глухов, Військовий інститут Київського національного університету імені Тараса Шевченка

Доктор технічних наук, професор

Кафедра військової та технічної  підготовки

Назар Миколайович Шамрай, Військовий інститут Київського національного університету імені Тараса Шевченка

Начальник відділу

Відділ військово-технічних та  інформаційних досліджень

Богдан Анатолійович Лісогорський, Харківський національний університет Повітряних Сил імені Івана Кожедуба

Кандидат технічних наук, старший науковий співробітник

Кафедра тактики радіотехнічних військ

Посилання

  1. Drones Vs. Satellites for the Agri-Sector Use (2025). Earth Observing System. Available at: https://eos.com/blog/drones-vs-satellites/
  2. Ruwaimana, M., Satyanarayana, B., Otero, V., M. Muslim, A., Syafiq A., M., Ibrahim, S. et al. (2018). The advantages of using drones over space-borne imagery in the mapping of mangrove forests. PLOS ONE, 13 (7), e0200288. https://doi.org/10.1371/journal.pone.0200288
  3. Lu, C., Gehring, K., Kopfinger, S., Bernhardt, H., Beck, M., Walther, S. et al. (2025). Weed instance segmentation from UAV Orthomosaic Images based on Deep Learning. Smart Agricultural Technology, 11, 100966. https://doi.org/10.1016/j.atech.2025.100966
  4. Sapkota, R., Ahmed, D., Karkee, M. (2024). Comparing YOLOv8 and Mask R-CNN for instance segmentation in complex orchard environments. Artificial Intelligence in Agriculture, 13, 84–99. https://doi.org/10.1016/j.aiia.2024.07.001
  5. Cong, P., Zhou, J., Li, S., Lv, K., Feng, H. (2022). Citrus Tree Crown Segmentation of Orchard Spraying Robot Based on RGB-D Image and Improved Mask R-CNN. Applied Sciences, 13 (1), 164. https://doi.org/10.3390/app13010164
  6. Li, Y., Guo, Z., Shuang, F., Zhang, M., Li, X. (2022). Key technologies of machine vision for weeding robots: A review and benchmark. Computers and Electronics in Agriculture, 196, 106880. https://doi.org/10.1016/j.compag.2022.106880
  7. Li, J., Wan, J., Sun, L., Hu, T., Li, X., Zheng, H. (2025). Intelligent segmentation of wildfire region and interpretation of fire front in visible light images from the viewpoint of an unmanned aerial vehicle (UAV). ISPRS Journal of Photogrammetry and Remote Sensing, 220, 473–489. https://doi.org/10.1016/j.isprsjprs.2024.12.025
  8. Almeida, J. S., Jagatheesaperumal, S. K., Nogueira, F. G., de Albuquerque, V. H. C. (2023). EdgeFireSmoke++: A novel lightweight algorithm for real-time forest fire detection and visualization using internet of things-human machine interface. Expert Systems with Applications, 221, 119747. https://doi.org/10.1016/j.eswa.2023.119747
  9. Guo, Z., Cai, D., Jin, Z., Xu, T., Yu, F. (2025). Research on unmanned aerial vehicle (UAV) rice field weed sensing image segmentation method based on CNN-transformer. Computers and Electronics in Agriculture, 229, 109719. https://doi.org/10.1016/j.compag.2024.109719
  10. Xiao, L., Pan, Z., Du, X., Chen, W., Qu, W., Bai, Y., Xu, T. (2023). Weighted skip-connection feature fusion: A method for augmenting UAV oriented rice panicle image segmentation. Computers and Electronics in Agriculture, 207, 107754. https://doi.org/10.1016/j.compag.2023.107754
  11. Yi, S., Liu, X., Li, J., Chen, L. (2023). UAVformer: A Composite Transformer Network for Urban Scene Segmentation of UAV Images. Pattern Recognition, 133, 109019. https://doi.org/10.1016/j.patcog.2022.109019
  12. Zhou, R., Tjahjadi, T. (2024). Colour guided ground-to-UAV fire segmentation. ISPRS Open Journal of Photogrammetry and Remote Sensing, 14, 100076. https://doi.org/10.1016/j.ophoto.2024.100076
  13. Gonzalez, R., Woods, R. (2017). Digital Image Processing. Prentice Hall, Upper Saddle Rever, 1192.
  14. Richards, J. A. (2013). Remote Sensing Digital Image Analysis. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-30062-2
  15. 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
  16. Mukhin, V., Zavgorodnii, V., Barabash, O., Mykolaichuk, R., Kornaga, Y., Zavgorodnya, A., Statkevych, V. (2020). Method of Restoring Parameters of Information Objects in a Unified Information Space Based on Computer Networks. International Journal of Computer Network and Information Security, 12 (2), 11–21. https://doi.org/10.5815/ijcnis.2020.02.02
  17. Ruban, I., Khudov, H., Makoveichuk, O., Khudov, V., Kalimulin, T., Glukhov, S. et al. (2022). Methods of UAVs images segmentation based on k-means and a genetic algorithm. Eastern-European Journal of Enterprise Technologies, 4 (9 (118)), 30–40. https://doi.org/10.15587/1729-4061.2022.263387
  18. Khudov, H., Makoveichuk, O., Kalimulin, T., Khudov, V., Shamrai, N. (2024). The method for approximating the edge detection convolutional operator using a genetic algorithm for segmentation of complex-structured images. Advanced Information Systems, 8 (4), 5–12. https://doi.org/10.20998/2522-9052.2024.4.01
  19. 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
  20. Khudov, H., Hridasov, I., Khizhnyak, I., Yuzova, I., Solomonenko, Y. (2024). Segmentation of image from a first-person-view unmanned aerial vehicle based on a simple ant algorithm. Eastern-European Journal of Enterprise Technologies, 4 (9 (130)), 44–55. https://doi.org/10.15587/1729-4061.2024.310372
  21. Park, G., Park, K., Song, B., Lee, H. (2022). Analyzing Impact of Types of UAV-Derived Images on the Object-Based Classification of Land Cover in an Urban Area. Drones, 6 (3), 71. https://doi.org/10.3390/drones6030071
  22. 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
  23. Cheng, Q., Zhang, Z., Du, Y., Li, Y. (2024). Research on Particle Swarm Optimization-Based UAV Path Planning Technology in Urban Airspace. Drones, 8 (12), 701. https://doi.org/10.3390/drones8120701
  24. Bezkoshtovni resursy BPLA (2025). Available at: https://portalgis.pro/bpla/bezkoshtovni-resursy-bpla
  25. DJI Mavic 3 Pro Fly More Combo (DJI RC) (2025). Available at: https://dronestore.com.ua/shop/dji-mavic-3-pro-fly-more-combo/?srsltid=AfmBOorUTmaMaLIS4m8OHfw5R6pjOS6JU8vV7sfvJTF4yMnEArSQ-o4q
  26. Madushan, D. (2017). Introduction to K-means Clustering. Available at: https://medium.com/@dilekamadushan/introduction-to-k-means-clustering-7c0ebc997e00
Development of an image segmentation method from unmanned aerial vehicles based on the particle swarm optimization algorithm

##submission.downloads##

Опубліковано

2025-05-29

Як цитувати

Худов, Г. В., Худов, В. Г., Маковейчук, О. М., Хижняк, І. А., Грідасов, І. Ю., Бутко, І. М., Худов, Р. Г., Глухов, С. І., Шамрай, Н. М., & Лісогорський, Б. А. (2025). Розробка методу сегментування зображення з безпілотного літального апарату на основі алгоритму рою частинок. Technology Audit and Production Reserves, 3(2(83), 88–95. https://doi.org/10.15587/2706-5448.2025.330973

Номер

Розділ

Системи та процеси керування