Нейросеть научили точно распознавать объекты по тепловым снимкам

Программа предоставляет уникальные возможности для анализа и визуализации объектов на основе их теплового излучения. Исходными данными при решении задач обработки являются тепловизионные изображения. В результате применения программы пользователи получают изображения с локализованными на них объектами и их классами.

«Необходимость этой разработки обусловлена реальными потребностями предприятий данного профиля, и идея создания программы возникла у моего любознательного студента-дипломника Ильмира Фатыхова при прохождении производственной практики на фирме, занимающейся разработкой оптико-электронных систем. В современном мире тепловизионные технологии играют важную роль в различных областях, предоставляя уникальные возможности для анализа и визуализации объектов на основе их теплового излучения, — поясняет профессор кафедры систем автоматизированного проектирования КНИТУ-КАИ Зиннур Гизатуллин. — Применение тепловизионных изображений охватывает широкий спектр сфер, включая медицину, промышленность, безопасность».

В процессе исследования была разработана программа, основанная на использовании сверточной нейронной сети YOLO для распознавания объектов на тепловизионных изображениях. Сверточная нейронная сеть – это специализированный тип искусственной нейронной сети, предназначенный для работы с изображениями. Она способна эффективно выявлять пространственные зависимости между пикселями, что особенно важно для анализа сложных изображений, в том числе тепловизионных. Архитектура модели YOLO (You Only Look Once) может варьироваться в зависимости от версии, но основные концепции и типы слоев остаются похожими.

Модель нейронной сети YOLO обеспечивает высокую скорость и точность решения задачи. Для повышения точности распознавания применялись различные алгоритмы фильтрации. В частности, предложены фильтр Собеля, Гаусса, Шарпа и Лапласа. По результатам анализа тестовой выборки выявлено повышение точности распознавания объектов на 8-19% после применения данных алгоритмов фильтрации. На выходе пользователь получает обработанное телевизионное изображение с выделенными и распознанными объектами, а также отчет о найденных и классифицированных объектах.

К преимуществам предложенного подхода можно отнести высокую точность распознавания тепловизионных изображений даже при наличии шума и низкой контрастности, автоматизацию анализа больших массивов изображений без участия оператора, возможность самообучения и адаптации системы под новые типы объектов и сценарии.

Таким образом, данное программное обеспечение позволяет автоматически фильтровать шумы и корректировать изображение для повышения информативности, находить и выделять объекты с аномальными параметрами, например, температурные поля при дефектах в оборудовании, людей, животных или очаги возгорания, выполнять сегментацию (выделять контуры объектов) и классификацию (по типу объекта), что полезно для систем безопасности, промышленного контроля, медицины и других сфер.

Программа для ЭВМ получила государственную регистрацию в Федеральной службе по интеллектуальной собственности.