Control Systems and Computers

https://doi.org/10.15407/csc.2024.04.050

Каштан В.Ю., Казимиренко О.В., Гнатушенко В.В. Порівняльний аналіз ефективності методів розпізнавання автомобілів на аерокосмічних знімках. Control Systems and Computers. 2024. 4. С. 50-60.

УДК 004.8

Каштан В.Ю., канд. тех. наук, доцент, доцент кафедри інформаційних технологій та комп’ютерної інженерії, Національний технічний університет «Дніпровська політехніка», просп. Дмитра Яворницького 19, Дніпро 49005, Україна, E–mail: kashtan.v.yu@nmu.one,

Казимиренко О.В., аспірант кафедри інформаційних технологій та комп’ютерної інженерії Національного технічного університету «Дніпровська політехніка», просп. Дмитра Яворницького 19, Дніпро 49005, Україна, E–mail: kazymyrenko.o.v@nmu.one,

Гнатушенко В.В., доктор техн. наук, професор, завідувач кафедри інформаційних технологій та комп’ютерної інженерії, Національний технічний університет «Дніпровська політехніка», просп. Дмитра Яворницького 19, Дніпро, Україна 49005, E–mail: hnatushenko.v.v@nmu.one,

Порівняльний аналіз ефективності методів розпізнавання автомобілів на аерокосмічних знімках

У статті представлено порівняльний аналіз ефективності методів розпізнавання автомобілів на аерокосмічних знімках, зокрема класичних методів (Canny, Sobel, Laplacian, Prewitt та Scharr) та нейромережевої моделі YOLOv6n. Метою дослідження є оцінка точності виявлення автомобілів за допомогою різних методів на основі показників метрик Precision, Recall та F1 Score. Результати показали, що традиційні методи контурного виділення мають обмежену ефективність, особливо в умовах високої щільності об’єктів та варіацій яскравості і контрасту. Зокрема, вони продемонстрували низькі значення Precision та F1 Score, що вказує на значну кількість хибно позитивних та хибно негативних спрацьовувань. Нейромережева модель YOLOv6n, показала високі результати за всіма основними метриками (Precision – 97.9%, Recall – 94.8%, F1 Score – 96.32%, maP – 97.6%), що підтверджує її здатність забезпечувати точне та повне розпізнавання автомобілів на зображеннях. Таким чином, сучасні нейромережеві підходи, такі як YOLOv6n, рекомендуються для використання у високоточних задачах розпізнавання автомобілів на аерокосмічних знімках, тоді як класичні методи можуть бути корисними лише для попередньої обробки зображень.

Завантажити повний текст! (українською)

Ключові слова: аерокосмічні знімки, розпізнавання автомобілів, модель YOLOv6n, нейронні мережі, Canny, Sobel, Laplacian, Prewitt, Scharr.

1. Alsamhi S. H., Ma O., Ansari M. S., Almalki F. A. Survey on collaborative smart drones and internet of things for improving smartness of smart cities, IEEE Access, 2019. P.128125–128152. DOI: https://doi.org/10.1109/ACCESS.2019.2934998.
2. Каштан В.Ю., Гнатушенко В.В., Удовик І.М., Шевцова О.С. Нейромережеве розпізнавання об’єктів забудови на аерофотознімках. Системні технології. Регіональний міжвузівський збірник наукових робіт. Випуск 1 (120). Дніпро, 2023. С. 30–39. DOI: https://doi.org/10.32782/IT/2023-1-5.
3. Al-Kaff, A., Gómez-Silva, M., Moreno, F., de la Escalera, A., & Armingol, J. An Appearance-based tracking algorithm for aerial search and rescue purposes. Multidisciplinary Digital Publishing Institute, 2019, 19(3), р.652. DOI: https://doi.org/10.3390/s19030652.
4. Ramachandran A., Sangaiah A. K. A review on object detection in unmanned aerial vehicle surveillance, International Journal of Cognitive Computing in Engineering, Volume 2, 2021, рр. 215−228. DOI: https://doi.org/10.1016/j.ijcce.2021.11.005.
5. Vipul G., Kapil T., Pragya G., Raj K. A Review Paper: On Various Edge Detection Techniques. International Journal for Research in Applied Science and Engineering Technology, 2017, рр. 534−537. DOI: https://doi.org/10.22214/ijraset.2017.8074.
6. Puyi, S.; Hong, C.; Haobo, G. Improved UAV object detection algorithm for YOLOv5s. Comput. Eng. Appl. 2023, 59, рр.108–116.
7. Claude C., Steven Le Moan, Kacem C. A Novel Mean-Shift Algorithm for Data Clustering. IEEE Access, 2022, 10, рр.14575−14585.
8. Umale, Prajakta et al. PLANER OBJECT DETECTION USING SURF AND SIFT METHOD. International Journal of Engineering Applied Sciences and Technology, 2022.
9. Aytekin, Ö., Zöngür, U., Halici, U. Texture-based airport runway detection, IEEE Geosci. Remote Sens. Lett. 10, 2013, рр. 471–475.
10. Badia Ez-zahouani, Teodoro A., El Kharki O., Jianhua L., Kotaridis I., Yuan X., Lei Ma, Remote sensing imagery segmentation in object-based analysis:  review of methods, optimization, and quality evaluation over the past 20 years,Remote Sensing Applications: Society and Environment,Volume 32, 2023, 101031. DOI: https://doi.org/10.1016/j.rsase.2023.101031.
11. Dra˘guţ, L., Csillik, O., Eisank, C., Tiede, D. Automated parameterisation for multi-scale image segmentation on multiple layers, ISPRS J. Photogramm. Remote Sens. 88, 2014, pp. 119–127.
12. Li C., Li L., Jiang, H., Weng K., Geng Y., Li L., Ke Z., Li Q., Cheng M., Nie W., et al. YOLOv6: A single-stage object detection framework for industrial applications. arXiv 022.
13. OpenAerialMap [Електронний ресурс] – https://openaerialmap.org/.
14. COCO Datasets [Електронний ресурс] – https://cocodataset.org/.

Надійшла 04.11.2024