The object of research, development or design (in Russian) : Системы предназначенные для распознавания БПЛА

The object of research, development or design (in Kazakh) : ҰҰА тануға арналған жүйелер

Aim of work (in Russian) : Разработать программную модель распознавания БПЛА, на основе нейронных сетей, адаптированную в платформу «FMCW-радар + видеонаблюдение», выполняющее функцию качественного и высокоточного распознавания, классификации и различения данных объектов от птиц за счет анализа оптического канала и микродоплеровских характеристик цели.

Aim of work (in Kazakh) : «FMCW -радар + бейнебақылау» платформасына бейімделген, оптикалық арнаны және нысананың микродоплерлік сипаттамаларын талдау арқылы құстардан осы объектілерді сапалы және жоғары дәлдікпен тану, жіктеу және ажырату функциясын орындайтын нейрондық желілер негізінде ҰҰА танудың бағдарламалық моделін әзірлеу.

Методы исследования (на русском) : Основной метод исследования заключается в распознавании с помощью сверточных нейронных сетей через видео и фото-изображения. С помощью системы автоматизированного проектирования Matlab R2020a разработана нейронная сеть для распознавания дронов с использованием технологии трансфертного обучения, которая позволило оптимизировать сеть для изучения новых функций. Таким образом, GoogleNet адаптирован для решения задач распознавания и классификации БПЛА и птиц.

Методы исследования (на казахском) : Зерттеудің негізгі әдісі-бейнелер мен фотосуреттер арқылы конволюциялық нейрондық желілерді тану. Matlab R2020a автоматтандырылған дизайн жүйесінің көмегімен жаңа мүмкіндіктерді зерттеу үшін желіні оңтайландыруға мүмкіндік беретін трансферттік оқыту технологиясын қолдана отырып, дрондарды тануға арналған нейрондық желі жасалды. Осылайша, GoogleNet ұшқышсыз ұшу аппараттары мен құстарды тану және жіктеу мәселелерін шешуге бейімделген.

Obtained results and novelty (in Russian) : Осуществлен выбор и обоснование аппаратной платформы «FMCW-радар + видеонаблюдение». Произведены расчетные операции, ориентируясь на электродинамические и геометрические характеристики разрабатываемой платформы для определения параметров антенной системы, цепей питания, блока усиления мощности, платы приемник-передатчик, платы цифровой обработки, камеры. Проведен сбор данных в виде файлов формата jpg, png, npy, h5, определяющие микродоплеровские характеристики исследуемых объектов (БПЛА и птицы). Проведен анализ и обработка данных, определяющих микродоплеровские характеристики, исследуемых объектов. Работы по соответствующим направлениям исследований будут продолжены. Новизна проекта заключается в создании программной модели нейронных сетей, одна из которых предназначена для распознавания БПЛА через радиолокационное изображение микродоплеровских сигнатур благодаря более высокоточной классификации беспилотников и птиц. Второй сегмент программной модели определяет нейросетевой приложение по распознаванию БПЛА через видеоданные и фото-изображения объектов в воздушном пространстве (коптеры, беспилотные летательные аппараты «летающее крыло», птицы и др.).

Obtained results and novelty (in Kazakh) : "FMCW-радар + бейнебақылау" аппараттық платформасын таңдау және негіздеу жүзеге асырылды. Антенна жүйесінің, қуат тізбектерінің, қуатты күшейту блогының, қабылдағыш-таратқыш тақтасының, цифрлық өңдеу тақтасының, камераның параметрлерін анықтау үшін әзірленіп жатқан платформаның электродинамикалық және геометриялық сипаттамаларына назар аудара отырып, есептік операциялар жүргізілді. Зерттелетін объектілердің (ҰҰА және құстар) микродоплерлік сипаттамаларын анықтайтын JPG, png, npu, h5 форматындағы файлдар түрінде деректер жиналды. Зерттелетін объектілердің микродоплерлік сипаттамаларын анықтайтын деректерді талдау және өңдеу жүргізілді. Зерттеулердің тиісті бағыттары бойынша жұмыстар жалғастырылатын болады. Жобаның жаңалығы нейрондық желілердің бағдарламалық моделін құру болып табылады, олардың бірі дрондар мен құстардың жоғары дәлдіктегі классификациясының арқасында микродоплер қолтаңбаларының радиолокациялық бейнесі арқылы ұшқышсыз ұшақтарды тануға арналған. Бағдарламалық модельдің екінші сегменті әуе кеңістігіндегі объектілердің бейне деректері мен фото-бейнелері (коптерлер, "ұшатын қанат" ұшқышсыз ұшу аппараттары, құстар және т.б.) арқылы ҰҰА-ны тануға арналған нейрондық желі қосымшасын анықтайды.

The main constructive and technical economic indicators (in Russian) : Создание новой высокоточной модели распознавания БПЛА по схеме «FMCW-радар + Видеонаблюдение», за счет внедрения Программной разработки на основе нейронных сетей анализа явных и неявных свойств объектов распознавания. Разрабатываемая Программная модель не только выполняют задачу распознавания БПЛА, но также определяет наличие полезной габаритной нагрузки, что может свидетельствовать о наличии опасности транспортировки вредоносного груза дроном-злоумышленником.

The main constructive and technical economic indicators (in Kazakh) : Тану объектілерінің айқын және жасырын қасиеттерін талдаудың нейрондық желілері негізінде бағдарламалық әзірлеуді енгізу есебінен "FMCW-радар + бейнебақылау" схемасы бойынша ұшақ-ты танудың жоғары дәлдіктегі жаңа моделін құру. Әзірленіп жатқан бағдарламалық модель ұшқышсыз ұшуды тану міндетін орындап қана қоймайды, сонымен қатар зиянды жүкті дрон-шабуылдаушымен тасымалдау қаупінің бар екендігін көрсетуі мүмкін пайдалы габариттік жүктеменің болуын анықтайды.

Level of implementation (in Russian) : Не внедрено. Планируется внедрение результатов исследования как научный и образовательный процесс. Например, машинное зрение, математическое моделирование сценариев обнаружения объектов через видеоряды и обработки радиолокационных сигналов в среде Matlab рассматриваются как перспективные темы для докторских и магистерских диссертаций, грантовых исследований, публикаций.

Level of implementation (in Kazakh) : Енгізілген жоқ. Зерттеу нәтижелерін ғылыми және білім беру процесі ретінде енгізу жоспарлануда. Мысалы, машиналық көру, бейнежазбалар арқылы объектілерді анықтау сценарийлерін математикалық модельдеу және Matlab ортасында радиолокациялық сигналдарды өңдеу докторлық және магистрлік диссертациялар, гранттық зерттеулер, жарияланымдар үшін перспективалық тақырыптар ретінде қарастырылады.

Efficiency (in Russian) : Реализация всех этапов Проекта позволит создать новую высокоточную модель распознавания БПЛА по схеме «FMCW-радар + Видеонаблюдение», за счет внедрения Программной разработки на основе нейронных сетях анализа явных и неявных свойств объектов распознавания. Дальность обнаружения БПЛА с вероятностью точной классификации выше 90% и вероятностью ложных тревог ниже 0,1% будет достигнута 1 км. Косвенным результатом Проекта можно считать возможность при детектировании летательного аппарата определять наличие и отсутствие полезной нагрузки.

Efficiency (in Kazakh) : Жобаның барлық кезеңдерін іске асыру тану объектілерінің айқын және жасырын қасиеттерін талдаудың нейрондық желілері негізінде бағдарламалық әзірлеуді енгізу есебінен "FMCW-радар + бейнебақылау" схемасы бойынша ҰҰА-ны танудың жоғары дәлдіктегі жаңа моделін жасауға мүмкіндік береді. Нақты жіктелу ықтималдығы 90% - дан жоғары және жалған дабылдардың 0,1% - дан төмен болу ықтималдығы бар ұшқышсыз ұшу аппараттарын анықтау кезінде пайдалы жүктеменің болуын және болмауын анықтау мүмкіндігі Жобаның жанама нәтижесі деп санауға болады.

Field of application (in Russian) : Высшие учебные заведения, исследовательские институты, правоохранительные органы, спецподразделения.

Field of application (in Kazakh) : Жоғары оқу орындары, ғылыми-зерттеу институттары, құқық қорғау органдары, арнайы бөлімшелер.