Розробка методу сегментування зображення з безпілотного літального апарату на основі алгоритму рою частинок
DOI:
https://doi.org/10.15587/2706-5448.2025.330973Ключові слова:
сегментування, безпілотний літальний апарат, ройовий інтелект, алгоритм рою частинок, k-meansАнотація
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.
Посилання
- Drones Vs. Satellites for the Agri-Sector Use (2025). Earth Observing System. Available at: https://eos.com/blog/drones-vs-satellites/
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- Gonzalez, R., Woods, R. (2017). Digital Image Processing. Prentice Hall, Upper Saddle Rever, 1192.
- Richards, J. A. (2013). Remote Sensing Digital Image Analysis. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-30062-2
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- Bezkoshtovni resursy BPLA (2025). Available at: https://portalgis.pro/bpla/bezkoshtovni-resursy-bpla
- 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
- Madushan, D. (2017). Introduction to K-means Clustering. Available at: https://medium.com/@dilekamadushan/introduction-to-k-means-clustering-7c0ebc997e00
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Hennadii Khudov, Vladyslav Khudov, Oleksandr Makoveichuk, Irina Khizhnyak, Illia Hridasov, Ihor Butko, Rostyslav Khudov, Sergey Glukhov, Nazar Shamrai, Bohdan Lisohorskyi

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.




