Н.В. Чельцов1, М.В. Петухов2, А.В. Лавров3, В.А. Соловьёв4

1–4 МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Цифровая обработка матричного радиолокационного изображения является актуальной проблемой. Информация, получаемая от устройства радиолокационного сканирования, нуждается в преобразовании для возможности визуального восприятия.

Цель. Разработать алгоритм нейросетевой обработки радиолокационных данных, который выделяет контуры и ребра исследуемых объектов.

Результаты. Рассмотрены основные методы цифровой обработки матричных данных, а также представлены преобразованные ими изображения. Предложен алгоритм выделения геометрической структуры сканируемой области. Установлено, что отличие алгоритма обработки от известных аналогов основано на характере изменения значений обрабатываемого массива и состоит в двойной операции выделения градиента распределения значений. Программная реализация алгоритма выполнена на языке C++ с использованием методов из открытой библиотеки компьютерного зрения. Оценка эффективности предложенного алгоритма проведена путем сравнения с алгоритмами определения ребер на основе линейной фильтрации и нейронных сетей.

Практическая значимость. Результаты работы могут быть использованы для создания программного обеспечения мобильных радиолокационных устройств ближнего действия. Формирование изображения из границ объектов и их ребер обеспечивает пространственное восприятие изображения оператором, а свободные области доступны для визуализации дополнительной информации. Данное решение позволяет комбинировать сканирующие устройства и за счет этого увеличить информативность результата.

Чельцов Н.В., Петухов М.В., Лавров А.В., Соловьёв В.А. Нейросетевая обработка массива целей при радиолокационном сканировании // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 6. С. 32−47. DOI: https://doi.org/10.18127/ j19998554-202106-04

1. Аттестация алгоритмов определения весовых коэффициентов показателей качества [Электронный ресурс] / Электронный научный журнал «Современные проблемы науки и образования». URL: http://www.science-education.ru/106-7335 (дата обращения: 10.12.2021)
2. Байесовская теория классификации и методы восстановления плотности [Электронный ресурс] / Машинное обучение. URL: http://www.MachineLearning.ru/wiki/images/f/fc/Voron-ML-Metric-slides.pdf (дата обращения: 05.12.2021) 3. Блекуэлл Д., Гиршик М.А. Теория игр и статистических решений. М.: Изд-во иностранной лит-ры. 1958. 374 с.
3. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа. 1977. 262 с.
4. Горелик А.Л., Барабаш Ю.Л., Кривошеев О.В., Эпштейн С. Селекция и распознавание на основе локационной информации. М.: Радио и связь. 1981. 240 с.
5. Грузман И.С., Киричук В.С. Цифровая обработка изображений в информационных системах: Учеб. пособие. Новосибирск: Изд-во НГУ, 1974. С. 76.
6. Киселев Н.В. Методы построения систем распознавания и классификации негауссовых сигналов. Л.: Изд-во Ленинградского ун-та. 1986. С. 188.
7. Кузьмин С.З. Цифровая радиолокация. Введение в теорию. Киев: КВiЦ, 2000. 428 с.
8. Методы          определения          значений                весовых коэффициентов     [Электронный       ресурс]   /               Матметоды.рф.         URL: http://матметоды.рф/metodi-opredeleniya-znacheniy-vesovih-koeffitsientov/ (дата обращения: 30.11.2021) 10. Сенин А.Г. Распознавание случайных сигналов. Новосибирск: Наука. Сибирское отделение. 1974. С. 76.
9. Татузов А.Л. Нейронные сети в задачах радиолокации. Кн. 28. М.: Радиотехника. 2009. 432 с.
10. Френкс Л. Теория сигналов. М.: Советское радио. 1974. 344 с.
11. Фомин В.Н. Рекуррентное оценивание и адаптивная фильтрация. М.: Наука. 1984. 288 с.
12. Фукунага К. Введение в статистическую теорию распознавания образов. М.: Наука, гл. ред. физ.-мат. лит-ры. 1979. 368 с.
13. Чернова Н.И. Математическая статистика: Учеб. пособие. Новосибирск: Новосиб. гос. ун-т. 2007. 148 с.
14. Ширман Я.Д., Манжос В.Н. Теория и техника обработки радиолокационной информации на фоне помех. М.: Радио и связь. 1981. 416 с.
15. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение. 2019. № 2. С. 54–67.
16. Буянов А.И., Власов А.И., Загоскин А.В. Применение нейросетевых методов при дефектоскопии печатных плат // Нейрокомпьютеры: разработка, применение. 2002. № 3. С. 42–70.
17. Гриднев В.Н., Власов А.И., Константинов П., Юдин А.В. Нейросетевые методы дефектоскопии печатных плат // Электронные компоненты. 2004. № 8. С. 148–155.
18. Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 17–31.
19. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. Сер. Приложение к журналу «Информационные технологии». № 9 // Машиностроение. 2000. С. 35–38.
20. Балухто А.Н., Булаев В.И., Бурый Е.В. и др. Нейрокомпьютеры в системах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение» // Радиотехника. 2003. С. 15–16.
21. Артемьев Б.В., Попов Д.В., Дмитриев В.Е. Анализ особенностей обнаружения объектов, расположенных на одной оси относительно наблюдателя, методом радиолокации в миллиметровом диапазоне // Контроль. Диагностика. 2019. № 6. С. 42–47.
22. Крашенинников В.Р. Статистические методы обработки изображений: Учеб. пособие. Ульяновск: УлГТУ. 2015. 167 с.