Метод визначення швидкості мінометного боєприпасу на основі комп'ютерного зору
DOI:
https://doi.org/10.33577/2312-4458.32.2025.9-17Ключові слова:
мінометний боєприпас, визначення швидкості, комп’ютерний зір, відеоаналіз, обробка зображень, масштабне перетворення, артилерійські розрахунки, траєкторія руху, покадровий аналіз, алгоритми ідентифікації, військові технології, кінематичні параметри, нейронні мережі, автоматизація вимірювань, бойові випробуванняАнотація
У роботі запропоновано метод визначення швидкості мінометної міни на основі комп’ютерного зору. Метод базується на відеозаписі польоту мінометної міни з частотою 60 кадрів за секунду та використанні алгоритмів аналізу зображень для ідентифікації об'єкта, визначення його просторових координат і розрахунку швидкості. Запропонований підхід не потребує спеціалізованого обладнання, оскільки використовує лише камеру сучасного смартфона. Це робить його доступним для застосування в польових умовах без залучення складних технологій та дорогих оптичних систем.
Алгоритм передбачає взаємодію користувача з програмою у покадровому режимі для точного визначення позиції мінометного боєприпасу. Використовуючи масштабне перетворення піксельних координат у метричну систему, програма дозволяє визначити пройдену відстань між послідовними кадрами та розрахувати середню швидкість руху об’єкта. Для цього враховуються часові мітки кадрів, отримані на основі частоти запису відео. Проведені польові вимірювання показали, що використання відеозаписів із частотою 60 кадрів за секунду забезпечує оптимальну точність визначення швидкості пострілу мінометного боєприпасу.
Перевагою методу є його доступність та простота реалізації, що дозволяє використовувати його в польових умовах без потреби в складних апаратних рішеннях. На відміну від традиційних радіолокаційних систем або високошвидкісних камер цей метод дозволяє отримати точні кінематичні параметри боєприпасу, використовуючи лише мобільний пристрій та алгоритми комп'ютерного зору.
Отримані результати підтверджують ефективність запропонованого методу у реальних бойових або випробувальних умовах. Впровадження цієї технології дозволить артилерійським підрозділам більш точно оцінювати швидкість боєприпасів, що є важливим для розрахунку дальності польоту та підвищення ефективності вогню.
Перспективи подальших досліджень включають автоматизацію процесу виявлення боєприпасів за допомогою штучного інтелекту, що дозволить зменшити вплив людського фактора на точність вимірювань. Також можливе розширення методу для аналізу інших типів снарядів і об’єктів, які швидко рухаються, що робить його універсальним для військових і наукових застосувань.
Посилання
Дарницький Ю.В., Ляшенко В.А., Швець С.І., Павлюк Т.В. Особливості застосування системи вимірю-вання дульної швидкості SL-520PE та допплерівської радарної системи MFTR-2100/40 під час проведення випробувань артилерійського озброєння. Збірник наукових праць Державного науково-дослідного інституту випро-бувань і сертифікації озброєння та військової техніки. 2022. Вип. 2(12). С. 29–38. ISSN 2706-7386. DOI: 10.37701/dndivsovt.12.2022.04
Qin L., Yu N., Zhao D. Applying the convolutional neural network deep learning technology to behavioural recognition in intelligent video. Tehnički vjesnik, 2018. № 25 (6). рр. 1620-1627. DOI: 10.17559/TV-20171229024444
Кушнір Н.О., Локтікова Т.М., Морозов А.В., Юрченко В.О. Використання згорткових нейронних мереж у задачах розпізнавання та класифікації об’єктів зображень. Технічна інженерія, 2022. № 1(89). С. 93–100. DOI: 10.26642/ten-2022-1(89)-93-100
Kappeler A., Yoo S., Dai Q. Video Super-Resolution With Convolutional Neural Networks. IEEE Transactions on Computational Imaging. 2016. pp. 109–122.
Rebecq H., Ranftl R., Koltun V. High speed and high dynamic range video with an event camera. IEEE Xplore. 2019. pp. 10–36. DOI: https://doi.org/10.48550/arXiv.1906.07165
Oh J., Guo X., Lee H., Lewis R.L., Singh S. Action-Conditional Video Prediction using Deep Networks in Atari Games. Advances in Neural Information Processing Systems, 2015. № 28. DOI: 10.48550/arXiv.1507.08750
Жеребух О., Фармага І. Використання нейронних мереж для визначення об’єктів на зображенні. CDS, 2024. № 6 (1), рр. 232-240. DOI: 10.23939/cds2024.01.232
Hanif M., Iqbal N., Rahman F.U., Khan M.A., Ghazal T.M., Abbas S., Ahmad M., Al Hamadi H., Yeun C.Y. A Novel Grayscale Image Encryption Scheme Based on the Block-Level Swapping of Pixels and the Chaotic System. Sensors, 2022. № 22 (16), 6243. DOI: 10.3390/s22166243
Nazarkevych M., Lytvyn V., Vysotska V. Method of recognition of moving objects based on the classification of Haar cascades. Cybersecurity Education Science Technique, 2024. № 2 (26), рр. 361-373. DOI: 10.28925/2663-4023.2024.26.698
Huang M., Liu Y., Yang Y. Edge detection of ore and rock on the surface of explosion pile based on improved Canny operator. Alexandria Engineering Journal. 2022. Vol. 61, Issue 12. рр. 10769–10777. DOI: 10.1016/j.aej.2022.04.019
