ТҮЙІНДІ НҮКТЕЛЕР ӘДІСІ НЕГІЗІНДЕ БАЙЛАНЫСТЫ МУЛЬТИКОПТЕРДІҢ ТЕХНИКАЛЫҚ КӨРУ ЖҮЙЕСІ ҮШІН Ψ-ДЕСКРИПТОРДЫ ӘЗІРЛЕУ
DOI:
https://doi.org/10.56132/2791-3368-2026-2-66-124-153Кілт сөздер:
байланыстырылған пилотсыз ұшу аппараты, дескриптор, автономды навигация, негізгі түйін, машиналық көру, жасанды интеллектАңдатпа
Мақалада байланыстырылған мультикоптерлердің жалпы сипаттамасы беріліп, олардың негізгі функционалдық мүмкіндіктері қарастырылады. Сонымен қатар, байланыстырылған ұшқышсыз ұшу аппараттарының (ҰҰА) жұмыс істеуіндегі күрделі процестердің бірі – жерге қону үдерісінде қолдануға арналған автономды навигация жүйесін әзірлеу міндеті қойылған. Автономды навигация жүйесін құру үшін түйінді нүктелер технологиясын пайдалану ұсынылады. Түйінді нүктелердің детекторлары мен дескрипторларына қысқаша шолу жүргізілді. Түйінді нүктелердің детекторы ретінде FAST детекторын қолдануға болатыны көрсетілген. Алайда дескрипторды құру үшін сызықтық емес функцияларды оңтайландыру есептеріндегі Ψ-түрлендірулер әдісінің математикалық моделі пайдаланылды. Бұл модель авторлық түйінді нүктелер дескрипторы – Ψ-дескрипторды әзірлеудің негізі болды. Әзірленген Ψ-дескрипторды ҰҰА-ның автономды навигациясы міндетін шешуде практикалық қолдану нәтижелері келтірілген. Ұсынылған жаңа түйінді нүктелерді анықтау әдісі байланыстырылған ұшқышсыз ұшу аппараттарының техникалық көру жүйелерінде қону міндеттерін шешу үшін GPS жүйелеріне балама ретінде пайдаланылуы мүмкін.
##plugins.themes.default.displayStats.downloads##
Әдебиеттер тізімі
1. Leading Global Suppliers. Tethered Drones. [Электронный ресурс]: https://www.unmannedsystemstechnology.com/expo/tethered-drones-uavs/ (дата обращения: 01.06.2026).
2. Kai Zhang, Wangmeng Zuo, Yunjin Chen, Deyu Meng, Lei Zhang. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising. IEEE Transactions on Image Processing, Vol. 26, No. 7, pp. 3142-3155. 2017. 10.1109/TIP.2017.2662206
3. Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 38, No. 2, pp. 295-307. 20016. 10.1109/TPAMI.2015.2439281.
4. Olaf Ronneberger, Philipp Fischer, Thomas Brox. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, Lecture Notes in Computer Science, Vol. 9351, pp. 234-241. Springer, Cham. 10.1007/978-3-319-24574-4_28
5. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770-778. 2016. 10.1109/CVPR.2016.90
6. R. Archana, P. S. Eliahim Jeevaraj. Deep learning models for digital image processing: a review. Artificial Intelligence Review, Vol. 57, Article number 11. 2024. 10.1007/s10462-023-10631-z
7. Milos Radovic, Offir Adato, Natan S. Kopeika, Roman Bligh. Object Recognition in Aerial Images Using Convolutional Neural Networks. Journal of Imaging, Vol. 3, No. 2, Article 21. 2017. 10.3390/jimaging3020021
8. Andy Couturier, Moulay A. Akhloufi. Convolutional neural networks and particle filter for UAV localization. Proceedings of SPIE 11758, Real-Time Image Processing and Deep Learning 2021, 117580G. 2021. 10.1117/12.2585986
9. Gengyu Wang, Xianping Fu. A Convolutional Neural Network Image Compression Algorithm for UAVs. Journal of Circuits, Systems and Computers, Vol. 33, No. 12, Article 2450211. 2024. 10.1142/S0218126624502116.
10. Radoki S. M. M., Akhloufi M. A., Couturier A. Drone Model Classification Using Convolutional Neural Network Trained on Synthetic Data. Journal of Imaging, Vol. 8, No. 8, Article 218. 2022. 10.3390/jimaging8080218.
11. (5) Gabriel Silva de Oliveira, José Marcato Junior, Caio Polidoro, Wesley Gonçalves, Mateus Santos, Edson Matsubara, et al. Convolutional Neural Networks to Estimate Dry Matter Yield in a Guineagrass Breeding Program Using UAV Remote Sensing. Sensors, Vol. 21, No. 12, Article 3971. 2021. 10.3390/s21123971.
12. Chunyuan Cui, Juntong Fan, Xuanyao Zhao, Jianing Song, Leyuan Sun. An Improved ORB-SLAM3 System for UAV Localization and Mapping in GPS-Denied Environments. Drones, Vol. 8, No. 4, Article 132. 2024. 10.3390/drones8040132.
13. Muhammad Aamir, Zhao Jianqiang, Muhammad Ali, Saeed Ahmed, Muhammad Irfan. An Automated UAV Image Stitching Approach Based on Improved SIFT Features. IEEE Access, Vol. 9, pp. 62451-62461. 2021. 10.1109/ACCESS.2021.3073981.
14. Runwei Guan, Jinrong Hu, Yifei Huang, Liting Sun, Paolo Santi, Carlo Ratti. Deep Learning-Based Keypoint Detection and Matching for UAV Thermal Images. Remote Sensing, Vol. 15, No. 18, Article 4429. 2023. 10.3390/rs15184429
15. Rodehorst V., Koschan A. Comparison and evaluation of feature point detectors, 2006
16. Tinne Tuytelaars, Krystian Mikolajczyk. Local Invariant Feature Detectors: A Survey, 2008
17. Детектор Kitchen-Rosenfeld. L. Kitchen and A. Rosenfeld. Gray Level Corner Detection. Pattern Recognition Letters, pp. 95-102, 1982
18. Moravec, H. Rover visual obstacle avoidance // In International Joint Conference on Artificial Intelligence, Vancouver, Canada, 1981, pp. 785-790.
19. Детектор COP (Crosses as Oriented Pair). S.C. Bae, I.S. Kweon and C.D. Yoo. COP: a new corner detector. Pattern Recogn. Lett. 2002
20. E. R. a. T. Drummond. Fusing Points and Lines for High Performance Tracking, 2005
21. David G. Lowe. Distinctive Image Features from Scale-Invariant Keypoints, 2004
22. Шакенов А.К. Сравнение детекторов особых точек изображений и оценка их статистических характеристик. Журнал “Автометрия”, 2021. Т.57, №1
23. Клейнберг Дж., Тардос Е. Алгоритмы: разработка и применение. Классика Computers Science / Пер. с англ. Е. Матвеева. – СПб.: Питер, 2016. – 800 с
24. Системы компьютерного зрения: современные задачи и методы [Электронный ресурс]/Режим доступа: http://controleng.ru/innovatsii/sistemy-komp-yuternogo-zreniya-sovremenny-e-zadachi-metody/(дата обращения: 01.06.2025)
25. Паттерн посредник [Электронный ресурс]/Режим доступа: https://refactoring.guru/ru/design-patterns/mediator; A tutorial on binary descriptors [Электронный ресурс]/Режим доступа: https://gilscvblog.com/2013/10/04/a-tutorial-on-binary-descriptors-part-3-the-orb-descriptor/ (дата обращения: 01.06.2025)
26. Just look at the image: viewpoint-specific surface normal prediction for improved multi-view reconstruction [Электронный ресурс]/Режим доступа: https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Galliani_Just_Look_at_CVPR_2016_paper.pdf (дата обращения: 16.04.2025)
27. James L. Pro JavaFX 2/ L. James, G. Weiqi, C. Stephen, I. Dean, V. Johan. – Apress, 2012. – 641 p.
28. Feature detection and description [Электронный ресурс]/Режим доступа: https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_table_of_contents_feature2d/py_table_of_contents_feature2d.html (дата обращения: 16.04.2025)
29. ORB: Oriented FAST and Rotated BRIEF [Электронный ресурс]/Режим доступа: http://www.willowgarage.com/sites/default/files/orb_final.pdf (дата обращения: 16.04.2025)
30. Introduction to SURF [Электронный ресурс]/Режим доступа: https://docs.opencv.org/3.0-beta/doc/py_tutorials/py_feature2d/py_surf_intro/py_surf_intro.html (дата обращения: 16.04.2025)
31. What is KeyPoint Detection? [Электронный ресурс]/Режим доступа: https://translated.turbopages.org/proxy_u/en-ru.ru.ead253e4-67ff9724-ab1a850e-74722d776562/https/www.geeksforgeeks.org/what-is-keypoint-detection/ (дата обращения: 16.04.2025)
32. Чичинадзе В.К. Решение невыпуклых нелинейных задач оптимизации. - М.: Наука. Главная редакция физико-математической литературы. 1983. – 256 с.
33. Кадиркулов Ш.К., Оспанов Ж.Ш., Бекмурзаев Б.Ж., Бекмухамедов Б.Э., Анетбаев А.А. Объектно-ориентированное моделирование с использованием диаграмм UML для разработки имитационной модели автономной системы навигации БПЛА. Научные труды военно-инженерного института радиоэлектроники и связи. Военный научно-технический журнал. №3 (65), 2026 г.
