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 сбор данных в виде файлов формата mp4, avi, wav, jpg, png, npy, h5, определяющих базу данных видео, фотографий БПЛА и птиц. Проведен анализ и обработка данных, определяющих базу данных видео, фотографий БПЛА и птиц для разработки алгоритма нейросетевого распознавания по каналу видеонаблюдения. Разработан алгоритм распознавания объектов по каналу видеонаблюдения. Опубликована одна статья, рекомендованная в КОКСНВО. Разработан алгоритм распознавания объектов по каналу FMCW-радара. Опубликована одна статья и (или) обзор в рецензируемых научных изданиях, индексируемых в Science Citation Index Expanded базы Web of Science и (или) имеющих процентиль по CiteScore в базе Scopus не менее 35 (тридцати пяти). Проведен сбор и тестирование системы «FMCW-радар + видеонаблюдение», настройка радара согласно требованиям Проекта, включая установку параметров цифровой обработки данных.

Obtained results and novelty (in Kazakh) : Деректер MP4, avi, wav, jpg, PNG, npy, H5 форматындағы файлдар түрінде жиналады, олар бейнелер, ұшқышсыз ұшу аппараттары мен құстардың фотосуреттерінің дерекқорын анықтайды. Бейнебақылау арнасы арқылы нейрондық желіні тану алгоритмін әзірлеу үшін бейне, ұшқышсыз ұшу аппараты және құс фотосуреттерінің дерекқорын анықтайтын деректерді талдау және өңдеу жүргізіледі. Бейнебақылау арнасы арқылы объектілерді тану алгоритмі әзірленетін болады. ҒЖБССҚК ұсынған бір мақала жарияланады. FMCW радиолокациялық арнасы арқылы объектілерді тану алгоритмі жасалады. Web of Science базасының Science Citation Index Expanded индекстелетін және (немесе) Scopus базасында кемінде 35 (отыз бес) CiteScore бойынша процентилі бар рецензияланатын ғылыми басылымдарда бір мақала және (немесе) шолу жарияланады. «FMCW-радар + бейнебақылау» жүйесін жинау және тестілеу, цифрлық деректерді өңдеу параметрлерін орнатуды қоса алғанда, жобаның талаптарына сәйкес радар баптау жүргізіледі.

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.

Level of implementation (in Kazakh) : Енгізілген жоқ. Зерттеу нәтижелерін ғылыми және білім беру процесі ретінде енгізу жоспарлануда.

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.