The object of research, development or design (in Russian) : Архивные данные с оптической полезной нагрузки космического аппарата ДЗЗ KazSTSat. Бортовой комплекс управления на основе OBCARM. Машинное обучение, обработка данных на борту космического аппарата, метод до-обучения transfer-learning.

The object of research, development or design (in Kazakh) : KazSTSat ЖҚЗ ғарыш аппаратының оптикалық пайдалы жүктемесінен алынған мұрағаттық деректер. Obcarm негізіндегі борттық басқару кешені. Машиналық оқыту, ғарыш аппаратының бортында деректерді өңдеу, Трансфер-learning дейінгі оқыту әдісі.

Aim of work (in Russian) : Целью исследования является разработка системы автоматической предобработки данных на борту спутников с возможностью обнаружения облаков с использованием существующего бортового компьютера, интегрированного с программируемой логической интегральной схемой (ПЛИС). Для достижения поставленной цели будут использоваться нейронные сети, обученные на основе доступных казахстанских спутниковых изображений.

Aim of work (in Kazakh) : Зерттеудің мақсаты-бағдарламаланатын логикалық интегралды схемамен (FPGA) біріктірілген қолданыстағы борттық компьютерді пайдалана отырып, спутниктік борттағы бұлттарды анықтау мүмкіндіктерін әзірлеу. Тағы бір мақсат-қол жетімді қазақстандық спутниктік кескіндер негізінде нейрондық желіні оқыту үшін машиналық оқытудың есептеу қабілеттерін пайдалану.

Методы исследования (на русском) : Идентификация источников данных наблюдений за Землей. Передача и предварительная обработка данных из внешних источников. Установка серверов хранения данных на территории Ghalam. Веб-ориентированный обзор научной литературы по современным моделям нейронных сетей. Исследование применимости выявленных моделей для обнаружения облаков на борту. Идентификация входных параметров моделей и проведение бенчмарк-тестов. Установка высокопроизводительной рабочей станции на территории Ghalam. Идентификация наиболее эффективных и подходящих методов для переноса обученной модели на бортовой компьютер с ПЛИС. Обзор научной литературы по применимым методикам переноса нейронной сети на архитектуру ПЛИС. Проведение первоначальных тестовых переносов модели на бортовой компьютер.

Методы исследования (на казахском) : Жерді бақылау деректерінің көздерін сәйкестендіру. Сыртқы көздерден деректерді беру және алдын ала өңдеу. Ghalam аумағында деректерді сақтау серверлерін орнату. Нейрондық желілердің заманауи модельдері туралы ғылыми әдебиеттерге Веб-негізделген шолу. Борттағы бұлттарды анықтау үшін анықталған модельдердің қолданылуын зерттеу. Модельдердің кіріс параметрлерін анықтау және эталондық сынақтарды жүргізу. Ghalam аумағында жоғары өнімді жұмыс станциясын орнату. Оқытылған модельді FPGA бар борттық компьютерге тасымалдаудың ең тиімді және қолайлы әдістерін анықтау. Нейрондық желіні FPGI архитектурасына ауыстырудың қолданылатын әдістері туралы ғылыми әдебиеттерге шолу. Модельді борттық компьютерге бастапқы сынақтан өткізу.

Obtained results and novelty (in Russian) : Идентифицированы наборы данных со спутников Landsat 8 и KazSTSat. Создана собственная база данных космических снимков для обучения нейронной сети и установлена высокопроизводительная рабочая станция с двумя GPU. Разработан отчет с результатами тестов производительности обученных моделей и сравнением с бенчмарк-исследованиями. Создана модель SAT-UNet, показавшая наилучшие значения F1 и Recall на наборах данных Cloud-38. Это подтверждает высокую эффективность модели и её пригодность для обработки спутниковых изображений в задачах облачной сегментации. На базе созданных наборов GhalamClouds проведены эксперименты. Добавление данных Cloud-95, а также расширение числа каналов до шести повысило метрики F1 и точность. Анализ показал, что дополнительные данные и каналы улучшают обобщающую способность и визуальное качество сегментации, особенно при использовании оптимальных порогов по J-статистике Юдена. Разработан отчет по переносу обученных моделей к архитектуре ПЛИС. Определены два метода реализации на FPGA — с использованием Brevitas+FINN и Vitis AI, а также перенос модели на процессор Cortex-A53 с применением ONNX Runtime под ОС QNX. Первичные тесты показали ускорение инференса в 2.63 раза без потери качества на процессоре рабочей станции. Подготовлена и опубликована статья “GhalamClouds: Remote sensing images for Kazakhstan and clouds segmentation using SAT-UNet” в журнале Advances in Space Research.

Obtained results and novelty (in Kazakh) : Landsat 8 және KazSTSat спутниктерінің деректер жиынтығы анықталды. Нейрондық желіні оқыту үшін ғарыштық суреттердің жеке дерекқоры құрылды және жоғары өнімді қос GPU жұмыс станциясы орнатылды. Разработан отчет с результатами тестов производительности обученных моделей и сравнением с бенчмарк-исследованиями. Cloud-38 деректер жиынында ең жақсы F1 және Recall мәндерін көрсететін SAT-UNet моделі жасалды. Это подтверждает высокую эффективность модели и её пригодность для обработки спутниковых изображений в задачах облачной сегментации. Құрылған Ghalamclouds жиынтықтарының негізінде эксперименттер жүргізілді. Cloud-95 деректерін қосу, сондай-ақ арналар санын алтыға дейін кеңейту F1 көрсеткіштері мен дәлдігін жақсартты. Талдау көрсеткендей, қосымша деректер мен арналар сегменттеудің жалпылау қабілеті мен көрнекі сапасын жақсартады, әсіресе Джуденнің j-статистикасының оңтайлы шектерін пайдаланған кезде. Оқытылған модельдерді FPGI архитектурасына көшіру туралы есеп әзірленді. FPGA — да іске асырудың екі әдісі анықталды-Brevitas+FINN және Vitis AI көмегімен, сондай-ақ qnx ОЖ астында ONNX Runtime көмегімен Модельді Cortex-A53 процессорына көшіру. Первичные тесты показали ускорение инференса в 2.63 раза без потери качества на процессоре рабочей станции. Advances In Space Research журналында "GhalamClouds: Remote sensing images for Kazakhstan and clouds segmentation using SAT-UNet" мақаласы дайындалып, Жарияланды.

The main constructive and technical economic indicators (in Russian) : Наиболее подходящей моделью нейронной сети является UNet, благодаря своей структуре и модификациям показывающая лучшие результаты. Unet с механизмом «attention» превосходит другие модели по метрикам валидации, сохраняя при этом компактный размер. Ожидаемые результаты подтверждают теоретические предположения, что нейросети являются наиболее эффективным решением в области распознавания облаков, достигая точности определения свыше 94%. Научно-технический эффект: Результаты научно-технической программы могут быть предоставлены отечественным научным центрам для дальнейшего сотрудничества. Проект указывает отечественным и мировым научным и промышленным сообществам на адаптацию высокого уровня технологической зрелости машинного обучения в казахстанской науке и космической промышленности. Это может привести к новым научным сотрудничествам с ведущими исследовательскими центрами за пределами Казахстана. Экономический эффект: Успешная реализация данного исследовательского проекта приведет к продвижению технологий периферийных вычислений на борту космического аппаратов внутри страны. Успешная реализация технологий периферийных вычислений на борту космического аппаратов позволит освободить ручной труд и ускорить процесс принятия решений.

The main constructive and technical economic indicators (in Kazakh) : Нейрондық желінің ең қолайлы моделі UNet болып табылады, оның құрылымы мен модификациясының арқасында жақсы нәтиже көрсетеді. «Attention» механизмі бар Unet шағын өлшемді сақтай отырып, валидация көрсеткіштері бойынша басқа модельдерден асып түседі. Күтілетін нәтижелер нейрондық желілер бұлтты тану саласындағы ең тиімді шешім болып табылады және 94% - дан жоғары анықтау дәлдігіне қол жеткізеді деген теориялық болжамдарды қолдайды. Ғылыми-техникалық әсер: ғылыми-техникалық бағдарламаның нәтижелері одан әрі ынтымақтастық мақсатында отандық ғылыми орталықтарға ұсынылуы мүмкін. Жобаны іске асыру отандық және әлемдік ғылыми және өнеркәсіптік қоғамдастыққа Қазақстанның ғылымы мен ғарыш өнеркәсібіндегі машиналық оқытудың бейімделуіне және технологиялық жетілуінің жоғары деңгейін көрсетуге мүмкіндік береді. Бұл Қазақстаннан тыс жетекші ғылыми орталықтармен жаңа ғылыми ынтымақтастыққа әкелуі мүмкін. Экономикалық әсер: бұл зерттеу жобасын сәтті жүзеге асыру ғарыш аппараттарының бортында деректерді өңдеу технологияларын ел ішінде ілгерілетуге әкеледі. Ғарыш кемесінің бортында деректерді өңдеу технологияларын сәтті іске асыру қол еңбегін босатады және шешім қабылдау процесін жеделдетеді.

Level of implementation (in Russian) : База данных космоснимков для обучения нейросетей на основе казахстанских снимков полностью внедрена на территории ТОО Ghalam. Разработанная нейросеть натренированная на разных датасетах и настройках полностью внедрена на территории ТОО Ghalam.

Level of implementation (in Kazakh) : Қазақстандық ғарыш суреттер негізінде нейрожелілерді оқытуға арналған ғарыштық суреттердің дерекқоры Ghalam ЖШС аумағында толығымен енгізілген. Ghalam ЖШС аумағында әртүрлі датасеттер мен параметрлерде оқытылған әзірленген нейрожелі толығымен енгізілді.

Efficiency (in Russian) : База данных позволяет эффективно иметь доступ к сегментированным космоснимкам сотрудникам компании. Имеется возможность удаленного подключения к базе данных по запросу. Разработанная модель имеет высокие показатели при очень маленьком размере. Модель может быть скачена из гит репозитория и натренированная на любых других датасетах.

Efficiency (in Kazakh) : Деректер базасы компания қызметкерлеріне сегменттелген ғарыштық суреттерге тиімді қол жеткізуге мүмкіндік береді. Сұраныс бойынша дерекқорға қашықтан қосылу мүмкіндігі бар. Әзірленген модель өте аз мөлшерде жоғары көрсеткіштерге ие. Модельді git репозиторийінен жүктеуге болады және кез-келген басқа деректер жиынтығында оқытылады.

Field of application (in Russian) : Потенциальными потребителями результатов исследований программы являются подведомственные организации Министерства цифрового развития, инноваций и аэрокосмической промышленности Республики Казахстан, университеты, исследовательские институты и другие компании в космическом секторе. Другое применение результатов исследования может быть найдено среди коммерческих компаний, работающих с беспилотными летательными аппаратами для обнаружения облаков в реальном времени.

Field of application (in Kazakh) : Күтілетін нәтижелердің нысаналы тұтынушылары: осы зерттеу жобасының нәтижелерін Қазақстан Республикасы цифрлық даму, инновациялар және аэроғарыш өнеркәсібі министрлігінің еншілес ұйымдары, университеттер, зерттеу институттары және ғарыш саласындағы басқа да компаниялар сияқты әртүрлі мүдделі тараптар пайдалана алады. Зерттеу нәтижелерінің тағы бір қолданылуы олардың коммерциялық дрондық компанияларының нақты уақыттағы бұлттарды анықтау үшін пайдалануы болуы мүмкін.