metrolМетрологияMetrologiya0132-47132712-9071ВНИИМС10.32446/0132-4713.2020-4-15-37metrol-47Research ArticleОПТИКО-ФИЗИЧЕСКИЕ ИЗМЕРЕНИЯМашинное обучение в задачах обработки спутниковых изображенийThe machine training in problems of satellite images’s processingБассЛ. П.BassLeonid P.lpb1911@yandex.ruПластининЮ. А.PlastininYuri A.noemail@neicon.ruСкрябышеваИ. Ю.SkryabyshevaIrina Yu.103300@rambler.ruИнститут прикладной математики им. М. В. Келдыша Российской академии наук (ИПМ РАН)РоссияKeldysh Institute of Applied Mathematics (Russian Academy of Sciences)Russian FederationЦентральный научно-исследовательский институт машиностроения (ЦНИИмаш)РоссияCentral Research Institute for Machine BuildingRussian Federation202019012021041537Copyright © ВНИИМС, 20212021ВНИИМСВНИИМСhttps://metrol.elpub.ru/jour/about/submissions#copyrightNoticehttps://metrol.elpub.ru/jour/article/view/47

Рассмотрено применение системы технического (компьютерного) зрения для дистанционного зондирования Земли. Представлен обзор программных и технических средств, используемых в системах технического зрения при обработке спутниковых изображений. Описаны методы обработки данных с использованием обученной нейронной сети. Приведены примеры алгоритмической обработки спутниковых изображений с помощью искусственных свёрточных нейронных сетей. Определены способы повышения точности распознавания спутниковых изображений. Представлены практические применения свёрточных нейронных сетей на борту микроспутников для дистанционного зондирования Земли.

Use of the technical (computer) vision systems for Earth remote sensing is considered. An overview of software and hardware used in computer vision systems for processing satellite images is submitted. Algorithmic methods of the data processing with use of the trained neural network are described. Examples of the algorithmic processing of satellite images by means of artificial convolution neural networks are given. Ways of accuracy increase of satellite images recognition are defined. Practical applications of convolution neural networks onboard microsatellites for Earth remote sensing are presented.

искусственный интеллекткомпьютерное зрениемашинное обучениесвёрточные нейронные сетиалгоритмическая обработка изображенийartificial intelligencecomputer visionmachine trainingconvolution neural networksalgorithmic processing of imagesReferencesБорзов С. М., Потатуркин О. И. Классификация гиперспектральных изображений при различных способах формирования обучающих выборок // Автометрия. 2018. Т. 54. № 1. С. 89-97.Борзов С. М., Потатуркин О. И. Классификация гиперспектральных изображений при различных способах формирования обучающих выборок // Автометрия. 2018. Т. 54. № 1. С. 89-97.Дебра Вернер. HyperSat раскрывает гиперспектральные планы // Ракетная и космическая техника. 2018. № 41. С. 6-8.Дебра Вернер. HyperSat раскрывает гиперспектральные планы // Ракетная и космическая техника. 2018. № 41. С. 6-8.Форсайт Д. А., Понс Ж. Компьютерное зрение. Современный подход: Пер с англ. М.: Издательский дом «Вильямс», 2004. 928 с.Форсайт Д. А., Понс Ж. Компьютерное зрение. Современный подход: Пер с англ. М.: Издательский дом «Вильямс», 2004. 928 с.Лапшин В. Б., Сыроешкин А. В., Минлигареев В. Т. Эталонная база для метрологического обеспечения комплексной целевой аппаратуры космических аппаратов гелиогеофизического назначения // Мир измерений. 2013. № 9. С. 37-41.Лапшин В. Б., Сыроешкин А. В., Минлигареев В. Т. Эталонная база для метрологического обеспечения комплексной целевой аппаратуры космических аппаратов гелиогеофизического назначения // Мир измерений. 2013. № 9. С. 37-41.Симонова Г. В., Симонов Д. П. Проблемы метрологического обеспечения анализа цифровых изображений // Интерэкспо Гео-Сибирь. 2015. Т. 5. № 3. С. 42-45.Симонова Г. В., Симонов Д. П. Проблемы метрологического обеспечения анализа цифровых изображений // Интерэкспо Гео-Сибирь. 2015. Т. 5. № 3. С. 42-45.Мальцев Г. Н., Козинов И. А. Передача гиперспектральных видеоданных дистанционного зондирования Земли по радиоканалам с ограниченной пропускной способностью // Информационно-управляющие системы. 2016. № 2. С. 74-83.Мальцев Г. Н., Козинов И. А. Передача гиперспектральных видеоданных дистанционного зондирования Земли по радиоканалам с ограниченной пропускной способностью // Информационно-управляющие системы. 2016. № 2. С. 74-83.Вернер Д. Лидеры космических агентств обсуждают расширение роли ИИ // Ракетная и космическая техника. 2019. № 48. С. 45-46.Вернер Д. Лидеры космических агентств обсуждают расширение роли ИИ // Ракетная и космическая техника. 2019. № 48. С. 45-46.Визильтер Ю. В. и др. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практич. занятий. М.: Физматкнига, 2010. 672 с.Визильтер Ю. В. и др. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практич. занятий. М.: Физматкнига, 2010. 672 с.Шолле Ф. Глубокое обучение на Python: Пер. с англ. СПб.: Питер, 2018. 400 с.Шолле Ф. Глубокое обучение на Python: Пер. с англ. СПб.: Питер, 2018. 400 с.Басс Л. П., Кузьмина М. Г., Николаева О. В. Свёрточные нейронные сети c глубоким обучением в задачах обработки гиперспектральных спутниковых данных // Препринт ИПМ им. М. В. Келдыша. 2018. № 282. 32 с. https://doi.org/10.20948/prepr-2018-282Басс Л. П., Кузьмина М. Г., Николаева О. В. Свёрточные нейронные сети c глубоким обучением в задачах обработки гиперспектральных спутниковых данных // Препринт ИПМ им. М. В. Келдыша. 2018. № 282. 32 с. https://doi.org/10.20948/prepr-2018-282Свёрточная нейронная сеть с нуля. Часть 0. Введение. URL: https://programforyou.ru/poleznoe/convolutional-network-from-scratch-part-zero-introduction (дата обращения: 15.01.2020).Свёрточная нейронная сеть с нуля. Часть 0. Введение. URL: https://programforyou.ru/poleznoe/convolutional-network-from-scratch-part-zero-introduction (дата обращения: 15.01.2020).Redmon J., Divvala S., Girshick R., Farhadi A., You Only Look Once: Unified, Real-Time Object Detection, 2016, available at: http://pjreddie.com/yolo/ (accessed: 15.01.2020).Redmon J., Divvala S., Girshick R., Farhadi A., You Only Look Once: Unified, Real-Time Object Detection, 2016, available at: http://pjreddie.com/yolo/ (accessed: 15.01.2020).Alekseev A., Bobe A., https://arxiv.org/abs/1904.13204v1 [cs.CV] (30.04.2019).Alekseev A., Bobe A., https://arxiv.org/abs/1904.13204v1 [cs.CV] (30.04.2019).Блохинов Ю. Б., Горбачёв В. А., Ракутин Ю. О., Никитин А. Д. Разработка алгоритма семантической сегментации аэрофотоснимков реального времени // Компьютерная оптика. 2018. Т. 42. № 1. С. 141-147. https://doi.org/10.18287/2412-6179-2018-42-1-141-148Блохинов Ю. Б., Горбачёв В. А., Ракутин Ю. О., Никитин А. Д. Разработка алгоритма семантической сегментации аэрофотоснимков реального времени // Компьютерная оптика. 2018. Т. 42. № 1. С. 141-147. https://doi.org/10.18287/2412-6179-2018-42-1-141-148Кугаевских А. Использование фильтра Габора и гиперболического тангенса в нейросети выделения краёв // Труды 26 Международной конференции GraphiCon-2016. Н. Новгород 19-23 сентября 2016. Н. Новгород, 2016. С.388-391.Кугаевских А. Использование фильтра Габора и гиперболического тангенса в нейросети выделения краёв // Труды 26 Международной конференции GraphiCon-2016. Н. Новгород 19-23 сентября 2016. Н. Новгород, 2016. С.388-391.Злобин В. К., Костров Б. В., Асаев А. С., Муратов Е. Р. Спектральные методы обработки изображений // Вестник РГРТУ. 2007. Вып. 21. URL: http://vestnik.rsreu.ru/images/archive/2007/21/ (дата обращения: 15.01.2020).Злобин В. К., Костров Б. В., Асаев А. С., Муратов Е. Р. Спектральные методы обработки изображений // Вестник РГРТУ. 2007. Вып. 21. URL: http://vestnik.rsreu.ru/images/archive/2007/21/ (дата обращения: 15.01.2020).Соловьев Р. А., Тельпухов Д. В., Кустов А. Г. Автоматическая сегментация спутниковых снимков на базе модифицированной свёрточной нейронной сети UNET // Инженерный вестник Дона. 2017. № 4. URL: ivdon.ru/ru/magazine/archive/n4y2017/4433 (дата обращения: 15.02.2020).Соловьев Р. А., Тельпухов Д. В., Кустов А. Г. Автоматическая сегментация спутниковых снимков на базе модифицированной свёрточной нейронной сети UNET // Инженерный вестник Дона. 2017. № 4. URL: ivdon.ru/ru/magazine/archive/n4y2017/4433 (дата обращения: 15.02.2020).Сикорский О. С. Обзор свёрточных нейронных сетей для задачи классификации изображений // Новые информационные технологии в автоматизированных системах. 2017. № 20. С. 37-42.Сикорский О. С. Обзор свёрточных нейронных сетей для задачи классификации изображений // Новые информационные технологии в автоматизированных системах. 2017. № 20. С. 37-42.Пятакович В. А., Василенко А. М., Хотинский О. В. Аналитическая конструкция и исходные структуры искусственной нейронной сети, техническая реализация модели математического нейрона // Электронный журнал «Науковедение». 2017. Т. 9. № 3. URL: http://naukovedenie.ru/PDF/99TVN317.pdf (дата обращения: 15.02.2020).Пятакович В. А., Василенко А. М., Хотинский О. В. Аналитическая конструкция и исходные структуры искусственной нейронной сети, техническая реализация модели математического нейрона // Электронный журнал «Науковедение». 2017. Т. 9. № 3. URL: http://naukovedenie.ru/PDF/99TVN317.pdf (дата обращения: 15.02.2020).

The authors declare that there are no conflicts of interest present.