Военная академия связи им. Маршала Советского Союза С.М. Буденного (старший преподаватель кафедры)
Россия
Военная академия связи имени Маршала Советского Союза С.М.Буденного (научно-исследовательскй отдел, научный сотрудник)
Россия
Военная академия связи им. Маршала Советского Союза С.М. Буденного (кафедра радиосвязи, профессор)
Saint-Petersburg, Россия
Россия
Представлены результаты разработки научно-методического аппарата формирования векторов признаков в интересах автоматизации процедур обнаружения лесных пожаров по результатам обработки кадров видео изображений. Представлены аналитические алгоритмы формирования векторов признаков и решения задачи обнаружения их различий в автоматическом режиме. Рассмотрена возможность синтеза векторов признаков на основе декомпозиции изображений в базисе вейвлета Хаара. Определены оптимальные параметры вейвлета Хаара, обеспечивающие максимальную контрастность векторов признаков. Приведены результаты эксперимента.
обнаружение лесных пожаров, формирование векторов признаков, обработка кадров видеоизображений, распознавание образов
1. Иванова Ю.А., Аливердиева М.А. Экологическая проблема XXI века – глобальное потепление // Международный журнал конституционного и государственного права. 2022. № 2. С. 20–24.
2. Поляк Ю.Е., Дыбенко А.Н. О проблемах глобального потепления и углеродной нейтральности // Вестник ЦЭМИ. 2023. Т. 6. № 1. DOI:https://doi.org/10.33276/S265838870024492-4.
3. Мкртчян Ф.А., Солдатов В.Ю. О мониторинге экологических катастроф // Проблемы окружающей среды и природных ресурсов. 2023. № 9. С. 117–129. DOI:https://doi.org/10.36535/0235-5019-2023-09-3.
4. Иванова Г.А., Иванов В.А. Динамика лесных пожаров на территории лесных районов Средней Сибири // Интерэкспо Гео-Сибирь. 2023. Т. 4. № 2. С. 43–48. DOI:https://doi.org/10.33764/2618-981X-2023-4-2-43-48.
5. Barovik D.V., Taranchuk V.B. Tools for the analysis and visualisation of distributions and vector fields in surface forest fires modelling // Journal of the Belarusian State University. Mathematics and Informatics. 2022. № 2. P. 82–93. DOI:https://doi.org/10.33581/2520-6508-2022-2-82-93.
6. Грибунов О.П., Морозов Р.О. Использование результатов информационной системы дистанционного мониторинга лесных пожаров при расследовании уничтожения или повреждения лесных насаждений // Криминалистика: вчера, сегодня, завтра. 2022. № 1 (21). С. 26–34. DOI:https://doi.org/10.55001/2587-9820.2022.33.85.003.
7. Кустов О.М., Шадаева Л.И., Носякова Е.А. Особенности проведения отдельных следственных действий при расследовании лесных пожаров и установление причин лесных пожаров // Научный взгляд в будущее. 2016. Т. 7. № 4. С. 75–79. DOI:https://doi.org/10.21893/2415-7538-2016-04-7-160.
8. Причины лесных пожаров в лесном фонде Уральского Федерального округа / В.Н. Сащенко [и др.] // Вестник биотехнологии. 2019. № 3 (20). С. 11.
9. Бобринев Е.В., Кондашов А.А., Удавцова Е.Ю. Использование регрессионного анализа показателей гибели людей при пожарах от времени прибытия первого пожарного подразделения на пожар // Науч.-аналит. журн. «Вестник С.-Петерб. ун-та ГПС МЧС России». 2019. № 3. С. 95–102.
10. Сысоева Т.П., Лобова С.Ф., Кухарев А.А. Применение компьютерного моделирования динамики распространения пожара для установления месторасположения очага пожара // Науч.-аналит. журн. «Вестник С.-Петерб. ун-та ГПС МЧС России». 2019. № 3. С. 121–131.
11. Аксенов С.Г., Морозова Д.П. Совершенствование мероприятий по профилактике и борьбе с лесными пожарами в России // Столыпинский вестник. 2023. Т. 5. № 1.
12. Газизов А.М., Янгирова Р.Р. Современные методы борьбы с лесными пожарами // Электронный научный журнал Нефтегазовое дело. 2021. № 1. С. 25–39. DOI:https://doi.org/10.17122/ogbus-2021-1-25-39.
13. Подрезов Ю.В. Особенности применения и разработки современных авиационных средств борьбы с лесными пожарами // Проблемы безопасности и чрезвычайных ситуаций. 2019. № 2. С. 46–50.
14. Яковлев С.Е. Применение беспилотных летательных аппаратов в борьбе с лесными пожарами // Аммосов-2021: сб. материалов Науч.-практ. конф. студентов СВФУ. Якутск: Северо-Восточный федеральный университет им. М.К. Аммосова, 2021. С. 776–779.
15. Магомедов Р.А., Макарова Е.В., Котова Е.А. Исследование эффективности использования беспилотной летательной платформы вертолётного типа с огнетушащими капсулами для борьбы с лесными пожарами // Актуальные проблемы инженерных наук: материалы X (67-й) Ежегод. науч.-практ. конф. Северо-Кавказского федерального университета. Ставрополь: Северо-Кавказский федеральный университет, 2023. С. 402–404.
16. Abusalma A. The effect of implementing artificial intelligence on job performance in commercial banks of Jordan // Management Science Letters. 2021. Vol. 11. № 7. P. 2061–2070. DOI:https://doi.org/10.5267/j.msl.2021.3.003.
17. Дворников С.В., Дворников С.С., Коноплев М.А. Алгоритм распознавания сигналов радиосвязи на основе симметрических матриц // Информационные технологии. 2010. № 9. С. 75–77. EDN MUSLAD.
18. Дворников С.В., Сауков А.М. Модификация частотно-временных описаний нестационарных процессов на основе показательных и степенных функций // Научное приборостроение. 2004. Т. 14. № 3. С. 76–85.
19. Тормозов В.С. Анализ методов распознавания образов и машинного обучения для распознавания визуальных образов // Информационные технологии XXI века: сб. науч. трудов / отв. ред. В.В. Воронин. Хабаровск: Тихоокеанский государственный университет, 2019. С. 354–359.
20. Автоматизация процедур обнаружения лесных пожаров по результатам обработки видео / Д.В. Васильева [и др.] // Науч.-аналит. журн. «Вестник С.-Петерб. ун-та ГПС МЧС России». 2023. № 4. С. 30–40.
21. Прозоров Д.Е., Земцов А.В. Применение легковесной сиамской нейросети для формирования вектора признаков в системе васкулярной аутентификации // Компьютерная оптика. 2023. Т. 47. № 3. С. 433–441. DOI:https://doi.org/10.18287/2412-6179-CO-1204. – EDN JWCAEY.
22. Формирование векторов признаков сигналов из вейвлет-коэффициентов их фреймовых преобразований / С.В. Дворников [и др.] // Информационные технологии. 2013. № 5. С. 46–49. EDN QAQWUF.
23. Распознавание сигналов на основе вероятностной оценки дисперсии векторов их признаков / С.В. Дворников [и др.] // Вопросы радиоэлектроники. Сер.: Техника телевидения. 2020. № 3. С. 81–90. EDN JYVVPW.
24. Семенов В.И. Сравнение алгоритма кратномасштабного анализа изображений в частотной области с алгоритмом Малла // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2022. № 59. С. 73–82. DOI:https://doi.org/10.17223/19988605/59/8.
25. Дворников С.В., Кудрявцев А.М. Теоретические основы частотно-временного анализа кратковременных сигналов: монография. СПб.: ВАС, 2010. 240 с. EDN: QMUYKH.
26. Кратномасштабный вейвлет-анализ профилограммы / С.М. Гайдар [и др.] // Агроинженерия. 2022. Т. 24. № 5. С. 62–66. DOI:https://doi.org/10.26897/2687-1149-2022-5-62-66. EDN HTJLRH.
27. Метод обнаружения радиосигналов на основе обработки их частотно-временных распределений плотности энергии / С.В. Дворников [и др.] // Информация и космос. 2005. № 4. С. 13–16. EDN KXAITT.
28. Дворников С.В., Дворников С.С., Спирин А.М. Синтез манипулированных сигналов на основе вейвлет-функций // Информационные технологии. 2013. № 12. С. 52–55. EDN ROTMAR.
29. Андрианов П.А. Дискретный периодический кратномасштабный анализ // Записки научных семинаров Санкт-Петербургского отделения математического института им. В.А. Стеклова РАН. 2021. Т. 499. С. 7–21. EDN DRVQTN.
30. Zaynidinov H.N., Dadajanov U., Juraev J.U. Algorithm for compressing blood images using two-dimensional wavelets haar // Проблемы вычислительной и прикладной математики. 2021. № 1 (31). P. 133–142. EDN CBAWRE.
31. Дворников С.В. Теоретические основы синтеза билинейных распределений энергии нестационарных процессов в частотно-временном пространстве (обзор) // Труды учебных заведений связи. 2018. Т. 4. № 1. С. 47–60. EDN YUZUOE.
32. Дворников С.В. Билинейные распределения с пониженным уровнем интерференционного фона в частотно-временном пространстве (продолжение обзора) // Труды учебных заведений связи. 2018. Т. 4. № 2. С. 69–81. EDN XRVQDR.
