КАСКАДНИЙ МЕТОД УДОСКОНАЛЕННЯ СИСТЕМ ДЕТЕКЦІЇ ОБ’ЄКТІВ

Анотація

У статті досліджується проблема нестабільності функціонування нейромережевих моделей детекції об’єктів у системах комп’ютерного зору безпілотних літальних апаратів (БпЛА) в умовах динамічної зміни зовнішнього середовища. Показано, що традиційні універсальні моделі, зокрема архітектури сімейства YOLO, демонструють суттєве зниження показників точності (Precision) та повноти (Recall) при зміні погодних умов, освітлення та просторового масштабу об’єктів. Метою дослідження є підвищення ефективності та стійкості систем детекції об’єктів у реальному часі шляхом розробки адаптивного каскадного методу обробки відеопотоку. Запропоновано підхід Cascade YOLO, що базується на послідовному використанні спеціалізованих нейромережевих моделей із механізмом адаптивного перемикання залежно від рівня впевненості детекції. На відміну від класичних ансамблевих методів, у запропонованому підході повторна обробка кадру не виконується, а наступна модель застосовується до нового кадру, що дозволяє уникнути накопичення затримок. Методологія дослідження включає побудову математичної моделі каскадного алгоритму, програмну реалізацію та експериментальну перевірку на відеоданих із варіативними умовами спостереження. Проведене порівняння з базовою моделлю Single-YOLO показало підвищення Precision до 0.867 та Recall до 0.824 при незначному зниженні швидкодії (до 5–10 %). Отримані результати підтверджують ефективність запропонованого підходу для підвищення надійності систем технічного зору БпЛА. Практична цінність полягає у можливості впровадження методу в бортові системи обробки даних для забезпечення стабільної роботи в умовах невизначеності.