Метод анализа аэрофотоснимков с БПЛА на основе SSIM и MSE для оценки надежности технических систем

Обложка

Цитировать

Полный текст

Аннотация

В статье представлен способ автоматизированного анализа аэроснимков с беспилотных летательных аппаратов (БПЛА), ориентированный на повышение безотказности технических систем и отслеживание изменений в природных и техногенных процессах. Цель работы – создание алгоритма, обеспечивающего безошибочное обнаружение отклонений и прогнозирование угроз сбоев на основе обработки изображений. Методика подразумевает применение индекса структурного соответствия (SSIM) и средней квадратичной погрешности (MSE) для оценки пространственных вариаций между смежными сегментами съемок. Предложенный подход отличается высокой стабильностью к переменам освещенности, небольшими вычислительными издержками и возможностью встраивания в автономные комплексы БПЛА. Работа базируется на компьютерном моделировании и статистическом разборе точности выявления отклонений. Алгоритм был опробован на различных массивах аэроснимков с использованием методов машинного зрения, математической статистики для оценки результативности предлагаемого способа. Итоги – разработка и апробация алгоритма, построении тепловых карт SSIM и MSE, а также оценке точности и достоверности способа. Полученные сведения подтверждают его действенность в автоматизированном мониторинге инфраструктурных объектов и оценивании экологических рисков. Сфера использования созданного способа охватывает автоматизированный надзор за инженерными сооружениями, контроль состояния сельскохозяйственных земель, экологический контроль, разбор последствий стихийных бедствий. Способ может быть интегрирован в интеллектуальные системы управления безотказностью технических объектов. Таким образом, разработанный алгоритм позволяет существенно увеличить безошибочность обнаружения отклонений, минимизировать влияние внешних обстоятельств и автоматизировать процесс обработки аэроснимков. Его применение способствует повышению безотказности технических систем и снижению вероятности сбоев за счет заблаговременного выявления потенциальных угроз. Научная новизна: создание нового способа оценки пространственных вариаций на основе комбинации индекса структурного соответствия (SSIM) и средней квадратичной погрешности (MSE), что обеспечивает высокую безошибочность выявления отклонений. В отличие от традиционных способов анализа изображений, предложенный алгоритм характеризуется стабильностью к изменению условий съемки, его вычислительная эффективность позволяет применять его в режиме реального времени. Кроме того, способ интегрируется в системы автономного мониторинга, расширяя возможности интеллектуального разбора данных с БПЛА. Полученные результаты и предложенные решения могут быть использованы для совершенствования технологий автоматизированного контроля состояния объектов и анализа динамики природных процессов.

Об авторах

Дмитрий Григорьевич Родионов

Санкт-Петербургский политехнический университет Петра Великого

Email: rodion_dm@mail.ru
ORCID iD: 0000-0002-1254-0464
Директор; Высшая инженерно-экономическая школа;

Дмитрий Анатольевич Сергеев

Санкт-Петербургский политехнический университет Петра Великого

Email: sergeev_da@spbstu.ru
доцент; высшая школа Высшая инженерно-экономическая школа;директор; Национальный центр качества и экспертизы;

Евгений Александрович Конников

Санкт-Петербургский политехнический университет Петра Великого

Email: konnikov_ea@spbstu.ru
доцент; высшая школа Высшая инженерно-экономическая школа;

София Дмитриевна Попова

Санкт-Петербургский политехнический университет Петра Великого

Email: popova_s@spbstu.ru
ассистент; высшая школа Высшая инженерно-экономическая школа;

Список литературы

  1. Бучаев М.А., Старченкова О.Д., Конников Е.А. Анализ и кластеризация недостоверной новостной информации как инструмент обеспечения информационной безопасности региона // Мягкие измерения и вычисления. 2024. № 84 (11-2). С. 37-51. doi: 10.36871/2618-9976.2024.11-2.004. EDN: PFWBDV.
  2. Dai K., Ma C., Wang Z., Long Y., Li X., Feng S., Ye Y. Exploiting spatial-temporal dynamics for satellite image sequence prediction // IEEE Geoscience and Remote Sensing Letters. 2023. Т. 20. С. 1-5.
  3. He X., Chen Y. Transferring CNN ensemble for hyperspectral image classification // IEEE Geoscience and Remote Sensing Letters. 2020. Т. 18. № 5. С. 876-880.
  4. Veretelnikova E.L., Elantseva I.L. Selection of factor for root mean square minimum error criterion // 2016 13th International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineering (APEIE). 2016. Т. 2. С. 221-223. IEEE. doi: 10.1109/APEIE.2016.7806454. EDN: WZWUYB.
  5. Моттаева А.Б., Смирнова И.А., Конников Е.А., Шарафанова Е.Е. Нечетко-множественный подход к оценке трансрегиональной промышленной когерентности // Мягкие измерения и вычисления. 2024. № 76 (3). С. 35-44. doi: 10.36871/2618-9976.2024.03.003. EDN: EGIQUM.
  6. Raju K.N., Reddy K.S.P. Comparative study of Structural Similarity Index (SSIM) by using different edge detection approaches on live video frames for different color models // 2017 International Conference on Intelligent Computing, Instrumentation and Control Technologies (ICICICT). 2017. С. 932-937. IEEE.
  7. Coppin P., Jonckheere I., Nackaerts K., Muys B., Lambin E. Digital change detection methods in ecosystem monitoring // International Journal of Remote Sensing. 2004. Т. 25. № 9. С. 1565-1596.
  8. Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image quality assessment: From error visibility to structural similarity // IEEE Transactions on Image Processing. 2004. Т. 13. № 4. С. 600-612.
  9. Родионов Д. Г., Конников Е. А., Пашинина П. А., Шаныгин С. И. Тематическое моделирование информационной среды медиакомпаний: инструментальный комплекс LDA-TF-IDF // Мягкие измерения и вычисления. 2024. Т. 76, № 3. С. 72-84. doi: 10.36871/2618-9976.2024.03.006. EDN: COCJYG.
  10. Dai K., Ma C., Wang Z., Long Y., Li X., Feng S., Ye Y. Exploiting spatial-temporal dynamics for satellite image sequence prediction // IEEE Geoscience and Remote Sensing Letters. 2023. Т. 20. С. 1-5.
  11. Волков О. А., Дьякова Г. Н. Разработка математического аппарата интервальной оценки вероятностных показателей надежности технических систем с последовательно-параллельной структурой методом аппроксимации фидуциальных распределений в классе бета-распределений // Моделирование и ситуационное управление качеством сложных систем: Сборник докладов Научной сессии ГУАП, Санкт-Петербург, 08-12 апреля 2019 года. Санкт-Петербург: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2019. С. 27-34. EDN: IUCRVY.
  12. Моттаева А.Б., Смирнова И.А., Конников Е.А., Шаныгин С.И. Построение алгоритмики анализа экономической результативности трансрегионального промышленного кластера в контексте цикла приращения уровня устойчивого развития с применением инструментария событийного моделирования // Мягкие измерения и вычисления. 2024. № 77(4). С. 28-38. doi: 10.36871/2618-9976.2024.04.004. EDN: EQCIDA.
  13. Станин А.А., Митязов В.А., Сорокин В.И., Конников Е.А. Моделирование уровня несостоятельности регионов на основе алгоритма оценки риск-предрасположенности // Мягкие измерения и вычисления. 2024. № 84 (11-1). С. 35-49. doi: 10.36871/2618-9976.2024.11.003. EDN: ZUAGEG.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).