Разделы

ПО Свободное ПО Софт Интернет Веб-сервисы Интернет-ПО Цифровизация Внедрения Системное ПО Техника

Китай разработал систему слежения за военными кораблями по всему миру

Спутниковые фотографии имеют разрешение в десятки или даже сотни метров, а это означает, что большой корабль может занимать всего один пиксель или меньше, что делает его невидимым для невооруженного глаза. По мнению исследовательской группы, точная идентификация моделей военных кораблей США требует использования чувствительных параметров, но в Китае нашли выход из ситуации.

Новая методология

Китайские исследователи под руководством Хун Цзюня (Hong Jun) из Даляньской военно-морской академии объявили, что они разработали систему для отслеживания военных кораблей с использованием бесплатных спутниковых снимков низкого разрешения. Об этом в середине июля 2024 г. сообщает издание South China Morning Post (SCMP).

Разрешение спутниковых фотографий составляет десятки и даже сотни метров, то есть крупный корабль может занимать всего один пиксель или меньше, что делает его невидимым для невооруженного глаза. Однако китайская исследовательская группа обнаружила на этих снимках авианосец типа «Нимиц», ракетный крейсер типа «Тикондерога» и эскадренный миноносец типа «Арли Берк».

Команда заявила, что отследила авианосцы, крейсеры и эсминцы ВМС США, проанализировав изображения волн - простая техника, которую может использовать практически любая страна или организация в мире. Различные военные корабли создают на поверхности моря отчетливые волновые узоры, похожие на отпечатки пальцев. По мнению исследовательской группы из Китая, точная идентификация моделей американских военных кораблей требует использования чувствительных параметров.

Американский авианосец, первый из серии кораблей типа «Нимиц»

В исследовании, опубликованном в китайском академическом журнале Computer Simulation, эта ученые раскрыли свои методы. Используя параметры и алгоритмы с искусственным интеллектом (ИИ), ученые могут в принципе идентифицировать модель любого целевого военного корабля, но лишь при определенных условиях.

В последние годы Китай создал довольно большую сеть спутников наблюдения за Землей. Разрешение этих спутников может достигать 0,1 м. Китайские спутники отслеживают не только военные корабли, но и многоцелевые истребители пятого поколения F-22 «Раптор».

Страны и организации, не обладающие вышеперечисленными возможностями, могут воспользоваться платформами, которые предоставляют почти бесплатные спутниковые снимки в режиме реального времени, но разрешение снимков относительно низкое. Например, разрешение снимка в NASA WorldView составляет 250 м/пиксель. В ИТ-инструменте есть интерактивный интерфейс для просмотра глобальных ежедневных спутниковых снимков в полном разрешении. Однако вышеописанный метод по-прежнему сталкивается с множеством препятствий. По словам китайской команды исследователей, одна из их проблем заключается в том, как извлечь полезную информацию из шума окружающей среды, поскольку облака и волны часто заслоняют ключевые особенности следа военного корабля.

Команда под руководством Хун Цзюня предупреждает, что этот метод затруднен, когда цель движется быстрее 20 морских миль. Кроме того, под воздействием сильного ветра и волн перекрытие между морскими и кормовыми волнами может существенно повлиять на результаты анализа. Поэтому данный метод еще нуждается в проверке и доработке на большом количестве реальных данных. По словам Цзюня, именно этим и будет заниматься команда исследователей до конца 2024 г.

Обнаружение судов через спутниковые снимки

В последние годы наблюдается рост интереса к использованию спутниковых снимков для различных видов обнаружения. Обнаружение судов - одна из важнейших задач, которая относится к этой категории и используется для различных морских приложений. К ним относятся управление движением судов, мониторинг окружающей среды и обеспечение безопасности на море. Эта область обнаружения судов имеет широкий охват и высокое разрешение и может захватывать информацию в различных спектральных марках. Однако эти приложения для обнаружения в реальном времени требуют больших количественных затрат и затруднены из-за непрактичности ручного анализа огромных объемов спутниковых изображений. Это приводит к большим затратам времени и требует значительных человеческих усилий, что ограничивает возможности применения в реальном времени. Для решения этой проблемы были применены методы глубокого обучения для обнаружения судов на спутниковых снимках.

Глубокое обучение - это специализированная область машинного обучения (ML), которая использует искусственные нейронные сети, состоящие из различных взаимосвязанных слоев, для генерации и извлечения значимых паттернов и характеристик. Технология продемонстрировала значительный успех в различных задачах компьютерного зрения, показав свой потенциал в обнаружении, классификации и сегментации объектов.

Исследователи добились значительного прогресса, используя методы глубокого обучения для разработки автоматизированных систем обнаружения судов. Поскольку эти системы используют методы глубокого обучения, они могут обрабатывать огромное количество данных в виде снимков в режиме реального времени. Используя ИИ-алгоритмы глубокого обучения, разработчики могут эффективно анализировать спутниковые изображения и точно обнаруживать суда. Эти алгоритмы позволяют ИТ-системе обнаружения судов выполнять обнаружение на основе больших наборов данных с метками. Это делает ее пригодной для приложений, требующих быстрого реагирования. Разработка ИИ-модели с использованием алгоритма глубокого обучения дает преимущества в виде повышения эффективности и времени отклика, а также уменьшения количества человеческих ошибок.

Обнаружение судов на спутниковых снимках - важнейшая задача, имеющая значение для обеспечения безопасности на море, управления движением и мониторинга окружающей среды. Традиционные методы, основанные на ручном вводе данных, сталкиваются с ограничениями при адаптации к различным условиям. Это побуждает исследователей искать передовые методы, в частности, использовать методы глубокого обучения, такие как сверточные нейронные сети (СНС), которые произвели революцию в обнаружении объектов. СНС позволяют автоматически изучать соответствующие признаки на основе исходных данных, повышая точность и эффективность обнаружения судов. Переход от традиционных ручных методов к моделям глубокого обучения позволяет решить проблемы, открывая возможности для автоматизации процессов и мониторинга в режиме реального времени.

За прошедшие годы исследователи внесли различный вклад в обнаружение судов, применяя различные методы и модели. Ученые заметили значительную оптимизацию и улучшение в области обнаружения судов во всех рассмотренных работах. К основным достижениям, которые были замечены: развитие новых ИИ-алгоритмов, таких как адаптивные методы, двухполяризационный анализ и методы слияния с использованием поляриметрических характеристик; использование СНС для обнаружения и локализации судов; повышение точности при использовании нескольких ИИ-алгоритмов, а также комбинации различных моделей глубокого обучения.

Антон Денисенко