Control Systems and Computers, N4, 2024, Стаття 6
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.
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.
Ключові слова: аерокосмічні знімки, розпізнавання автомобілів, модель YOLOv6n, нейронні мережі, Canny, Sobel, Laplacian, Prewitt, Scharr.
