sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2020-2-46-53sapi-471Research ArticleОбработка информации и принятие решенийData processing and decision–makingПрименение сверточных нейронных сетей в подсистеме разведки комплексной системы безопасностиApplication of convolutional neural networks in the intelligence security system subsystemДемешкоВ. С.DemeshkoV. S.

Демешко Виктор Сергеевич, магистр технических наук

demeka_v@mail.ruФёдоровА. И.ФёдоровA. I.

Фёдоров Александр Иванович, кандидат технических наук, доцент

alexandr_fedorov_1959@mail.ruВоенная академия Республики БеларусьБеларусьMilitary academy of the Republic of BelarusBelarus202018082020024653Copyright © Демешко В.С., Фёдоров А.И., 20202020Демешко В.С., Фёдоров А.И.Demeshko V.S., Фёдоров A.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/471

В статье предложена структура комплексной системы безопасности площадных объектов. Рассмотрены основные подсистемы, входящие в её состав. Определенны задачи подсистеме разведки по обнаружению и распознаванию наземных объектов наблюдения в сложной фоноцелевой обстановке.

Задача обнаружения объекта наблюдения решалась на основе предложенного ранее алгоритма. Недостатком данного алгоритма являлось наличие ложных срабатываний от мерцающей сложной фоноцелевой обстановки. Для устранения данного недостатка предложено применить классификатор на основе сверточной нейронной сети, который распределяет выделенные объекты по конкретным классам.

Проведен анализ и экспериментальные исследования по оценки точности распознавания наземных объектов такими сверточными архитектурами как VGG-16, VGG-19, Inception v3, ResNet-50, MobileNet. Обучение и проверка качества распознавания данных архитектур проводилось на экспериментально созданном наборе данных с изображением человека на контрастном фоне и на различных дальностях. Полученные результаты свидетельствуют о возможности применения сверточной нейронной сети в системе охраны и её способность работать в реальном масштабе времени.

The article proposes the structure of an integrated security system for areal facilities. The main subsystems included in its composition are considered. The tasks of the intelligence subsystem for detecting and recognizing ground-based objects of observation in a complex phono-target environment are defined.

The task of detecting an object of observation was solved on the basis of a previously proposed algorithm. The disadvantage of this algorithm was the presence of false positives from a flickering complex phono-target environment. To eliminate this drawback, it is proposed to apply a classifier based on the convolutional neural network, which distributes the selected objects to specific classes.

The analysis and experimental studies to evaluate the accuracy of recognition of ground objects by convolutional architectures such as VGG-16, VGG-19, Inception v3, ResNet-50, MobileNet. Training and verification of the recognition quality of architecture data was carried out on an experimentally created data set with a human image on a contrasting background and at different ranges. The results obtained indicate the possibility of using a convolutional neural network in the security system and its ability to work in real time.

подсистема разведкисредства оптико-электронной разведкиизображениеобнаружениераспознаваниеклассификаторсверточная нейронная сетьархитектураintelligence subsystemoptoelectronic intelligence toolsimagedetectionrecognitionclassifierconvolutional neural networkarchitectureReferencesСилы специальных и психологических операций вооруженных сил иностранных государств. Учебное издание – Минск: ВА РБ, 2013.Forces of special and psychological operations of the armed forces of foreign states. Textbook – Minsk: VA RB, 2013.Кузяк, А. Н. Анализ применения сил специальных операций США и НАТО в современных условиях / А. Н. Кузяк, В. И. Гринюк // сбор.науч. стат.Воен. акад. Респ. Беларусь. – 2018. –№ 34 – С. 93–98.Kuzyak, A. N. Analysis of the use of special operations forces of the USA and NATO in modern conditions / A. N. Kuzyak,Учения: «террористы» захватили военный аэродром в Бобруйске. [Электронный ресурс]. – Режим доступа: https://bobruisk.ru/news/2013/09/24/35161 – Дата доступа: 10.04.2020.V. I. Grinyuk // collection of scientific. Stat. War. Acad. Rep. Belarus. – 2018. – № 34 – S.93–98.Демешко В. С., Фёдоров А. И. Комплексная система безопасности площадных объектов // Актуальные проблемы современной науки: сборник статей XIII Межд. науч. конф. г. Актобе: 2019. – с. 248–254.Exercises: «terrorists» seized a military airfield in Bobruisk. [Electronic resource]. – Access mode: https://bobruisk.ru/news/2013/09/24/35161 – Access Date: 04/10/2020.Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2005.Demeshko V. S., Fedorov A. I. Integrated security system of areal facilities // Actual problems of modern science: collection of articles XIII Int. scientific conf. Aktobe: 2019. – p. 248–254.Николенко С. Глубокое обучение. /С.Николенко, А. Кудрин, Е. Архангельская – СПб.: Питер, 2018. – 480 с.Gonzalez R. Digital image processing / R. Gonzalez, R. Woods. – M .: Technosphere, 2005.C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, A. Rabinovich. Going Deeper with Convolutions. Proceedings of IEEE Conference Computer Vision and Pattern Recognition (CVPR 2015). June 7–12, 2015, Pp. 1–12.Nikolenko S. Deep learning. / S. Nikolenko, A. Kudrin, E. Arkhangelskaya – St. Petersburg: Peter, 2018. – 480 p.Хайкин С. Нейронные сети: полный курс, Neural Networks: A Comprehensive Foundation. 2-е изд. – М.: Вильямс, 2006. – 1104 с.C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, A. Rabinovich. Going Deeper with Convolutions. Proceedings of IEEE Conference Computer Vision and Pattern Recognition (CVPR 2015). June 7–12, 2015, Pp. 1–12.Khaikin S. Neural Networks: A Complete Course, Neural Networks: A Comprehensive Foundation. 2nd ed. – M.: Williams, 2006. – 1104p.Khaikin S. Neural Networks: A Complete Course, Neural Networks: A Comprehensive Foundation. 2nd ed. – M.: Williams, 2006. – 1104p.

The authors declare that there are no conflicts of interest present.