Разработка программно-аппаратного комплекса (ПАК) нейросети с системой машинного зрения для детектирования судов, нефтяных пятен (и других классов объектов), для автоматизированного принятия решений при автоматическом облете БПЛА прибрежных и морских территорий для задач экологии и промышленной безопасности (ESG)

-Разработка программно-аппаратного комплекса (ПАК) нейросети с системой машинного зрения для детектирования (нефтяные пятна, суда, люди, буйки), для автоматизированного принятия решений при автоматическом облете БПЛА прибрежных и морских территорий, для задач экологии и промышленной безопасности (ESG) -Данные съемки с помощью БПЛА в настоящее время являются в несколько раз более дешевой и оперативной (информация, снятая на БПЛА приходит быстрее и обрабатывать ее в разы проще) альтернативой использованию спутниковых данных. Позволяя существенно (производя мониторинг в режиме близком к реальному времени) снизить возможные экологические риски. -Для проведения экологического мониторинга необходимо применение широкого спектра технологических решений (носителей, типа специализированных БПЛА, полезной нагрузки в виде отдельных приборов экомониторинга, программного обеспечения и алгоритмов обработки данных). Современные методы исследования с помощью БПЛА предоставляют возможность проводить экологический мониторинг независимо от их удаленности от базовой станции и доступности местности проведения экологического мониторинга. В случае необходимости БПЛА могут использоваться также и для точной координации судов вблизи места происшествия: 1) загрязнения сточными водами 2) смыв ядохимикатов ливневыми стоками 3) утечки нефти и нефтепродуктов -Система позволит быстро, в режиме близком к реальному времени, с минимальными затратами и эффективно (с высокой точностью распознавания, до 90-95% точностью распознавания нейросетью) отслеживать процессы, выявлять источники загрязнения и проводить природоохранные мероприятия. -С точки зрения мониторинга нефтяных и других загрязнений водной поверхности - сформулирована и решена оптимизационная задача для выбора наиболее эффективной траектории полета в воздушном пространстве акватории с учетом применения системы технического зрения. Разработан и доработан свой собственный алгоритм реагирования на обнаружение ситуации интереса с БПЛА и изменения полётных параметров мониторинга с целью высокоточного детектирования объекта. При осуществлении инспекционных полетов разработана методика и алгоритм получения максимального объема информации об объекте интереса при минимальном времени, затрачиваемом на уточнение границ объекта и его классификацию. В процессе мониторинга при детектировании объекта интереса - БПЛА в автоматизированном режиме и по заранее заданному алгоритму производит дополнительный облет объекта интереса с целью повышения точности распознавания объекта и уточнения его границ. -Основными требованиями к БПЛА при выполнении данных задачи, являются высокая информативность - предоставление данных с высокой разрешающей способностью и оперативность функционирования (от постановки полётной задачи до получения первых данных проходят считанные часы). -В основу СКЗ положены свёрточные нейронные сети (СНС), используя также их аппаратную реализацию. Разрабатываются архитектуры свёрточных нейронных сетей из перспективных подклассов, а также алгоритмы помехоустойчивого кодирования/декодирования данных при обмене сообщениями между бортовой компонентой и наземной станцией с системой компьютерного зрения. Среди таких нейросетей предпочтение отдается классу свёрточных нейронных сетей, показывающих по сравнению с нейросетями других классов наиболее высокую точность распознавания объектов на изображениях - предварительно набраны датасеты на основе которых были протестированы различные модели на примере одних и тех же выборок, из чего сделаны выводы о наиболее подходящих подклассах для наших задач. -Для извлечения ключевых признаков процедуры свёртки настраиваются с использованием обучающей выборки, которую мы формируем как на реальных собранных данных, так и на основе собственных симуляционных (синтезируемых данных). Существует довольно много обучающих "open source" выборок, собранных для решения различного рода таких задач, но их крайне недостаточно, так как они не подходят под наши ситуации, а также их недостаточно для обучения высокоточных моделей. Как раз одной из уникальностей нашей системы - является использование симуляционных (специально синтезированных) данных, на основе которых формируется наша обучающая выборка - на языке Python и Rust написан инструмент для получения тысяч различных снимков с разметкой, которые будем использовать для дополнения реальных данных.