С.А. Ненашев1, Т.А. Пискленов2, А.А. Залищук3, В.А. Ненашев4

1-4 Санкт-Петербургский государственный университет аэрокосмического приборостроения (Санкт-Петербург, Россия)

1 nenashev_sergey178@mail.ru; 2 tim.kirp@mail.ru; 3 sacha1501@yandex.ru, 4 nenashev.va@yandex.ru

Постановка проблемы. Задача распознавания объектов земной поверхности с использованием аппаратно-программных систем на основе одноплатных компьютеров и нейросетей приобретает особую актуальность в контексте развития автономных авиационных систем, базирующихся на малых летательных аппаратах. В настоящее время существует потребность в создании компактных энергоэффективных аппаратно-программных решений, способных в режиме реального времени анализировать оптические видеокадры. Однако, использование одноплатных компьютеров на борту малых летательных аппаратов с реализацией нейросетей, зачастую сталкивается с проблемой, связанной с ограниченной вычислительной мощностью, требованиями к их энергопотреблению и массогабаритным характеристикам для их работы в реальном масштабе времени. С увеличением объема и детализации видеокадров земной поверхности, получаемых с бортовых датчиков, появляется возможность повысить качество распознавания объектов за счет применения современных нейросетей. При этом напрямую внедрить нейросети в системы на базе одноплатных малогабаритных компьютеров затруднительно из-за сложности их архитектур, требующих большего вычислительного ресурса, чем имеется у таких вычислительных бортовых средств. Поэтому требуется адаптация нейросетей под ресурсы используемых одноплатных малогабаритных компьютеров.

Цель. Провести анализ одноплатных компьютеров и нейросетевых моделей для реализации авиационной аппаратно-программной системы технического зрения, осуществляющей контроль за сельскохозяйственными объектами земной поверхности на базе малых летательных аппаратов.

Результаты. Проведено исследование эффективности реализации нейросетей на базе малогабаритного одноплатного компьютера, способного базироваться на малом летательном аппарате. Установлено, что реализация нейросети «YOLOv8n» на базе одноплатного компьютера «Raspberry Pi 4 Model B» демонстрирует наилучшую эффективность перед другими архитектурами нейросетей при распознавании стогов сена, обеспечивая требуемую скорость обработки видеокадров и высокую долю верно распознанных объектов интереса.

Практическая значимость. Представленные результаты обеспечивают автоматизацию процессов контроля сельхозугодий в реальном времени. Предложенная система на основе нейросети «YOLOv8n» и одноплатного компьютера «Raspberry Pi 4 Model B» позволяет оперативно распознавать стога сена, что имеет важное значение для планирования уборочных работ, контроля качества кормов и снижения потерь урожая.

Ненашев С.А., Пискленов Т.А., Залищук А.А. Ненашев В.А. Разработка и исследование аппаратно-программной системы на базе одноплатного компьютера с применением нейросетей для задачи распознавания объектов интереса земной поверхности // Радиотехника. 2025. Т. 89. № 8. С. 15-27. DOI: https://doi.org/10.18127/j00338486-202508-02

1. Ненашев В.А., Сенцов А.А. Пространственно-распределенные системы радиолокационного и оптического мониторинга: монография. СПб.: ГУАП, 2022. 191 с.
2. Антохин Е.А., Залищук А.А., Ненашев В.А., Ненашев С.А. Сравнительный анализ нейросетевых моделей для классификации зон земной поверхности по оптическим изображениям // Радиотехника. 2024. Т. 88. № 8. С. 35-44. DOI: 10.18127/j00338486-202408-04.
3. Мальцев Н.Д. Исследование области применения Raspberry Pi-микрокомпьютера с высокой производительностью // Сб. трудов ХIII Междунар. конф. «Современные информационные технологии в образовании, науке и промышленности» ХI Междунар. конкурса научных и научно-методических работ, V конкурса «Научное школьное сообщество» (Москва, 26–27 апреля 2019 г.). М.: ООО «Издательство «Спутник+». 2019. С. 60-62.
4. Брыжинский К.А., Никулин В.В. Исследование возможностей микрокомпьютера RASPBERRY PI // Материалы науч. конф. «XLV Огарёвские чтения». (г. Саранск, 08–13 декабря 2016 г.). В 3-х частях. Ч. 1. / Отв. ред. П.В. Сенин. Саранск: Национальный исследовательский Мордовский гос. ун-т им. Н.П. Огарёва. 2017. С. 644-648.
5. Сенцов А. А., Ненашев В. А., Иванов С. А., Турнецкая Е. Л. Совмещение сформированных радиолокационных изображений с цифровой картой местности в бортовых системах оперативного мониторинга земной поверхности // Труды МАИ. 2021. № 117. DOI 10.34759/trd-2021-117-08.
6. Assuncao E., Gaspar P.D., Alibabaei K., Simoes M.P., Proença H., Soares V.N.G.J., Caldeira J.M.L.P. Real-Time image detection for edge devices: a peach fruit detection application // Future Internet. 2022. № 14. Р. 323. https://doi.org/10.3390/fi14110323.
7. Alibabaei K., Gaspar P.D., Lima T.M., Campos R.M., Girao I., Monteiro J., Lopes C.M. A Review of the challenges of using deep learning algorithms to support decision-making in agricultural activities // Remote Sens. 2022. № 14. Р. 638.
8. Залищук А.А., Ненашев В.А. Разработка системы для распознавания людей по изображениям земной поверхности // Материалы 34-й Междунар. конф. по компьютерной графике и машинному зрению «GraphiCon 2024» (г. Омск, 17–19 сентября 2024 г.). Омск: Омский гос. технич. ун-т. 2024. С. 544-550. DOI: 10.25206/978-5-8149-3873-2-2024-544-550.
9. Jacob B., Kligys S., Chen B., Zhu M., Tang M., Howard A., Adam H., Kalenichenko D. Quantization and training of neural networks for efficient integer-arithmetic-only inference // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City. UT. USA. 18–23 June 2018. Р. 2704–2713.
10. Пелешенко В.А. Квантовое машинное обучение // Мягкие измерения и вычисления. 2022. Т. 60. № 11-1. С. 82-107. DOI: 10.36871/2618-9976.2022.11.008.
11. Malik S., Haider M.U., Iqbal O., Taj M. Neural network pruning through constrained reinforcement learning // 2022 26th International Conference on Pattern Recognition (ICPR). Montreal. QC. Canada. 2022. Р. 3027-3033. DOI: 10.1109/ICPR56361.2022.9956050.
12. Bowman R.W., Vodenicharski B., Collins J.T., Stirling Ju. Flat-field and colour correction for the Raspberry Pi Camera module // Journal of Open Hardware. 2020. V. 4. № 1. DOI: 10.5334/joh.20.
13. Ненашев В.А., Воронов Р.М., Березин А.В. и др. Распознавание наземных объектов в авиационных системах потоковой обработки оптических кадров // Информационно-измерительные и управляющие системы. 2024. Т. 22. № 4. С. 85-90. DOI: 10.18127/j20700814-202404-10.
14. Павленко Д.А., Снежко Э.В., Ковалев В.А. Исследование эффективности бюджетного тензорного процессора Google Coral для решения практических задач классификации изображений // Сб. докладов Междунар. науч. конф. «Прикладной искусственный интеллект: перспективы и риски» (Санкт-Петербург, 17 октября 2024 г.). СПб: Санкт-Петербургский гос. ун-т аэрокосмического приборостроения. 2024. С. 82-90.
15. Лебедев М.С., Белецкий П.Н. Реализация искусственных нейронных сетей на ПЛИС с помощью открытых инструментов // Труды Института системного программирования РАН. 2021. Т. 33. № 6. С. 175-192. DOI: 10.15514/ISPRAS-2021-33(6)-12.