Обнаружение и определение координат объектов с помощью телевизионной камеры беспилотника морского и воздушного базирования

Написать дипломную работу по теме «Обнаружение и определение координат объектов с помощью телевизионной камеры беспилотника морского и воздушного базирования»

Дипломная работа (ВКР) по теме обнаружения и определения координат объектов с помощью телевизионной камеры беспилотника — это комплексный проект на стыке компьютерного зрения, обработки изображений и навигационных систем. Студент разрабатывает программный модуль для анализа видеопотока с БПЛА, реализует алгоритмы детекции объектов и рассчитывает их географические координаты. Ключевые задачи: выбор и обоснование методов обнаружения, калибровка камеры, интеграция с системой навигации, тестирование на реальных данных.

Актуальность темы дипломной работы по обнаружению объектов с БПЛА

Беспилотные летательные аппараты (БПЛА) морского и воздушного базирования активно применяются в мониторинге судоходства, поисково-спасательных операциях, экологическом контроле, охране морских границ. По данным Международной морской организации (IMO), к 2025 году более 60% прибрежных государств внедрят системы автоматизированного мониторинга с использованием БПЛА.

Телевизионные камеры БПЛА генерируют видеопоток в реальном времени, который необходимо анализировать для обнаружения судов, буев, спасательных плотов, загрязнений. Ручная обработка видеопотока неэффективна: оператор устает через 20-30 минут, пропуская до 40% объектов. Автоматизация обнаружения и определения координат объектов — критическая задача для повышения эффективности использования БПЛА.

Почему эта тема актуальна для дипломной работы:

• Рост рынка БПЛА: по данным Ассоциации производителей беспилотных систем (AUVSI), рынок коммерческих БПЛА вырос на 35% в 2024 году
• Требования к автоматизации: ГОСТ Р 58439-2019 регламентирует требования к системам мониторинга с БПЛА
• Практическая значимость: разработка программного модуля обнаружения объектов может быть внедрена в реальные системы управления БПЛА

При написании дипломной работы студент решает прикладную задачу: создание программного обеспечения для обработки видеопотока с телевизионной камеры БПЛА, обнаружения объектов (суда, буи, плоты) и расчета их географических координат на основе данных навигационной системы БПЛА.

Цель и задачи выпускной квалификационной работы

Цель ВКР: разработать программный модуль для обнаружения и определения координат объектов с помощью телевизионной камеры беспилотника морского и воздушного базирования, обеспечивающий точность обнаружения не менее 85% и погрешность определения координат не более 10 метров.

Задачи дипломной работы:

1. Провести анализ существующих методов обнаружения объектов на изображениях с БПЛА (алгоритмы компьютерного зрения, нейросетевые подходы)
2. Обосновать выбор методов обработки видеопотока и детекции объектов для условий морского/воздушного базирования
3. Разработать математическую модель преобразования пиксельных координат объекта в географические координаты с учетом параметров камеры и навигационных данных БПЛА
4. Спроектировать архитектуру программного модуля обработки видеопотока
5. Реализовать программный модуль на языке Python с использованием библиотек OpenCV, YOLO/TensorFlow
6. Провести калибровку телевизионной камеры и тестирование модуля на реальных данных
7. Оценить экономическую эффективность внедрения разработанного программного модуля

Задачи логически ведут к цели: анализ → проектирование → реализация → тестирование → оценка эффективности. Каждая задача соответствует разделу дипломной работы и методическим требованиям вуза.

Рекомендуемая структура дипломной работы по теме обнаружения объектов с БПЛА

Структура выпускной квалификационной работы соответствует ГОСТ 7.32-2017 и методическим требованиям вуза. Объем пояснительной записки: 70-100 страниц.

Введение (3-5 страниц)

Обоснование актуальности темы, формулировка цели и задач, объект исследования (процесс обнаружения объектов с БПЛА), предмет исследования (алгоритмы и программные средства обработки видеопотока с телевизионной камеры БПЛА). Указание практической значимости работы.

Глава 1. Теоретические основы обнаружения объектов с БПЛА (20-25 страниц)

1.1. Анализ предметной области

Обзор применения БПЛА морского и воздушного базирования для мониторинга. Классификация объектов обнаружения: суда, буи, спасательные средства, загрязнения. Требования к системам обнаружения: точность, скорость обработки, устойчивость к условиям съемки (освещение, погода, ракурс).

1.2. Обзор методов обнаружения объектов на изображениях

Классические методы: детектирование по цвету, форме, текстуре, метод Хафа для обнаружения линий. Современные подходы: нейросетевые модели (YOLO, SSD, Faster R-CNN, RetinaNet). Сравнительный анализ методов по точности, скорости, требованиям к вычислительным ресурсам.

1.3. Методы определения координат объектов

Фотограмметрические методы: прямая и обратная фотограмметрическая засечка. Калибровка камеры: определение внутренних параметров (фокусное расстояние, оптический центр, дисторсия) и внешних параметров (положение и ориентация камеры). Преобразование пиксельных координат в географические с учетом высоты и ориентации БПЛА.

1.4. Обоснование выбора методов и инструментов разработки

Выбор алгоритма обнаружения объектов (например, YOLOv8 для баланса скорости и точности). Выбор языка программирования (Python) и библиотек (OpenCV, Ultralytics YOLO, NumPy). Обоснование выбора среды разработки и платформы развертывания.

Глава 2. Проектирование программного модуля (20-25 страниц)

2.1. Требования к программному модулю

Функциональные требования: прием видеопотока, обнаружение объектов, расчет координат, отображение результатов. Нефункциональные требования: скорость обработки (не менее 15 кадров/с), точность обнаружения (не менее 85%), погрешность определения координат (не более 10 м).

2.2. Архитектура программного модуля

Диаграмма компонентов: модуль приема видеопотока, модуль предобработки изображения, модуль обнаружения объектов, модуль расчета координат, модуль визуализации. Диаграмма последовательности: взаимодействие компонентов при обработке кадра.

2.3. Математическая модель расчета координат

Описание алгоритма преобразования пиксельных координат в географические. Уравнения фотограмметрической засечки. Учет параметров камеры (фокусное расстояние, размер матрицы, дисторсия) и навигационных данных БПЛА (координаты, высота, углы крена, тангажа, рыскания).

2.4. Проектирование базы данных

Модель данных для хранения результатов обнаружения: координаты объекта, тип объекта, временная метка, идентификатор кадра. Схема базы данных (SQLite или PostgreSQL).

Глава 3. Реализация и тестирование программного модуля (25-30 страниц)

3.1. Реализация модуля обнаружения объектов

Настройка предобученной модели YOLOv8 или обучение собственной модели на датасете морских объектов. Оптимизация модели для работы в реальном времени. Примеры кода загрузки модели и детекции объектов.

3.2. Реализация модуля расчета координат

Программная реализация математической модели преобразования координат. Калибровка камеры: получение внутренних параметров с использованием шахматной доски. Примеры кода расчета географических координат.

3.3. Интеграция модулей и интерфейс пользователя

Объединение модулей в единую систему. Разработка графического интерфейса (PyQt или Tkinter) для отображения видеопотока с наложенными рамками обнаруженных объектов и их координатами.

3.4. Тестирование программного модуля

Функциональное тестирование: проверка корректности обнаружения объектов и расчета координат. Нагрузочное тестирование: проверка скорости обработки видеопотока. Тестирование на реальных данных: видеозаписи с БПЛА морского базирования. Анализ результатов: точность обнаружения, погрешность определения координат.

Глава 4. Экономическая оценка проекта (10-15 страниц)

4.1. Расчет затрат на разработку

Затраты на оплату труда разработчика, приобретение оборудования (БПЛА, камера, вычислительное устройство), программное обеспечение, обучение модели.

4.2. Оценка экономической эффективности

Сравнение затрат на ручную обработку видеопотока (оператор) и автоматизированную обработку. Расчет срока окупаемости проекта. Оценка повышения эффективности использования БПЛА.

Заключение (3-5 страниц)

Основные результаты работы: разработан программный модуль обнаружения объектов, реализован алгоритм расчета координат, проведено тестирование. Практическая значимость: модуль может быть внедрен в системы управления БПЛА. Направления дальнейших исследований: улучшение точности обнаружения в сложных метеоусловиях, интеграция с другими типами датчиков (тепловизор, лидар).

Список литературы

Оформление по ГОСТ Р 7.0.100-2018. Минимум 30 источников, включая нормативные документы, научные статьи, документацию библиотек. Обязательны источники на английском языке.

Приложения

Исходный код программного модуля, результаты тестирования, акты внедрения (при наличии).

Примеры алгоритмов и кода для дипломной работы

При написании дипломной работы студент реализует программный модуль на Python. Ниже приведены примеры ключевых фрагментов кода, которые можно адаптировать под конкретную задачу.

Пример 1: Загрузка предобученной модели YOLOv8 и обнаружение объектов

from ultralytics import YOLO
import cv2
import numpy as np

# Загрузка предобученной модели YOLOv8
model = YOLO('yolov8n.pt')  # или yolov8s.pt, yolov8m.pt для большей точности

# Открытие видеопотока с камеры БПЛА
cap = cv2.VideoCapture('uav_video.mp4')

# Классы объектов для обнаружения (морские объекты)
target_classes = [0, 8, 9]  # 0 - person, 8 - boat, 9 - traffic light (пример)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    
    # Детекция объектов
    results = model(frame, conf=0.5)  # порог уверенности 0.5
    
    # Обработка результатов
    for result in results:
        boxes = result.boxes
        for box in boxes:
            cls = int(box.cls[0])
            if cls in target_classes:
                # Координаты рамки
                x1, y1, x2, y2 = map(int, box.xyxy[0])
                confidence = float(box.conf[0])
                
                # Отрисовка рамки
                cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)
                
                # Подпись
                label = f'{model.names[cls]}: {confidence:.2f}'
                cv2.putText(frame, label, (x1, y1 - 10),
                           cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
    
    # Отображение кадра
    cv2.imshow('Object Detection', frame)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

Пример 2: Расчет географических координат объекта

import numpy as np
import math

def pixel_to_geo(pixel_x, pixel_y, camera_params, uav_params):
    """
    Преобразование пиксельных координат в географические
    
    Args:
        pixel_x, pixel_y: координаты объекта на изображении (пиксели)
        camera_params: параметры камеры (фокусное расстояние, размер матрицы, дисторсия)
        uav_params: параметры БПЛА (широта, долгота, высота, углы ориентации)
    
    Returns:
        lat, lon: географические координаты объекта
    """
    # Внутренние параметры камеры
    fx = camera_params['fx']  # фокусное расстояние по X (пиксели)
    fy = camera_params['fy']  # фокусное расстояние по Y (пиксели)
    cx = camera_params['cx']  # оптический центр X
    cy = camera_params['cy']  # оптический центр Y
    
    # Параметры БПЛА
    uav_lat = uav_params['latitude']  # широта БПЛА (градусы)
    uav_lon = uav_params['longitude']  # долгота БПЛА (градусы)
    uav_alt = uav_params['altitude']  # высота БПЛА (метры)
    roll = uav_params['roll']  # крен (радианы)
    pitch = uav_params['pitch']  # тангаж (радианы)
    yaw = uav_params['yaw']  # рыскание (радианы)
    
    # Нормализованные координаты в камере
    x_norm = (pixel_x - cx) / fx
    y_norm = (pixel_y - cy) / fy
    
    # Вектор направления на объект в системе координат камеры
    point_camera = np.array([x_norm, y_norm, 1.0])
    
    # Матрицы поворота
    R_roll = np.array([
        [1, 0, 0],
        [0, math.cos(roll), -math.sin(roll)],
        [0, math.sin(roll), math.cos(roll)]
    ])
    
    R_pitch = np.array([
        [math.cos(pitch), 0, math.sin(pitch)],
        [0, 1, 0],
        [-math.sin(pitch), 0, math.cos(pitch)]
    ])
    
    R_yaw = np.array([
        [math.cos(yaw), -math.sin(yaw), 0],
        [math.sin(yaw), math.cos(yaw), 0],
        [0, 0, 1]
    ])
    
    # Общая матрица поворота
    R = R_yaw @ R_pitch @ R_roll
    
    # Вектор направления в мировой системе координат
    point_world = R @ point_camera
    
    # Пересечение луча с землей (предполагаем плоскую поверхность)
    if point_world[2] != 0:
        t = -uav_alt / point_world[2]
        
        # Смещение в метрах
        dx = t * point_world[0]
        dy = t * point_world[1]
        
        # Преобразование смещения в географические координаты
        # 1 градус широты ≈ 111320 метров
        # 1 градус долготы ≈ 111320 * cos(latitude) метров
        lat_offset = dy / 111320
        lon_offset = dx / (111320 * math.cos(math.radians(uav_lat)))
        
        obj_lat = uav_lat + lat_offset
        obj_lon = uav_lon + lon_offset
        
        return obj_lat, obj_lon
    
    return None, None

# Пример использования
camera_params = {
    'fx': 1000.0,  # фокусное расстояние по X
    'fy': 1000.0,  # фокусное расстояние по Y
    'cx': 960.0,   # оптический центр X (для 1920x1080)
    'cy': 540.0    # оптический центр Y
}

uav_params = {
    'latitude': 59.9343,    # широта БПЛА
    'longitude': 30.3351,   # долгота БПЛА
    'altitude': 100.0,      # высота 100 метров
    'roll': 0.0,            # крен
    'pitch': -1.57,         # тангаж (камера смотрит вниз)
    'yaw': 0.0              # рыскание
}

# Координаты обнаруженного объекта на изображении
pixel_x, pixel_y = 1200, 700

obj_lat, obj_lon = pixel_to_geo(pixel_x, pixel_y, camera_params, uav_params)
print(f"Координаты объекта: {obj_lat:.6f}, {obj_lon:.6f}")

Пример 3: Калибровка камеры

import cv2
import numpy as np
import glob

# Подготовка данных для калибровки
chessboard_size = (9, 6)  # количество внутренних углов шахматной доски
square_size = 25.0  # размер клетки в мм

# Поиск углов шахматной доски на изображениях
objpoints = []  # 3D точки в реальном мире
imgpoints = []  # 2D точки на изображениях

objp = np.zeros((chessboard_size[0] * chessboard_size[1], 3), np.float32)
objp[:, :2] = np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1, 2)
objp *= square_size

images = glob.glob('calibration_images/*.jpg')

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None)
    
    if ret:
        objpoints.append(objp)
        
        # Уточнение позиций углов
        criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
        corners2 = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1), criteria)
        imgpoints.append(corners2)

# Калибровка камеры
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints, imgpoints, gray.shape[::-1], None, None
)

print("Матрица камеры:")
print(mtx)
print("
Коэффициенты дисторсии:")
print(dist)

# Сохранение параметров калибровки
np.savez('camera_calibration.npz', mtx=mtx, dist=dist, rvecs=rvecs, tvecs=tvecs)

Эти примеры демонстрируют ключевые этапы реализации программного модуля. В дипломной работе необходимо подробно описать каждый фрагмент кода, объяснить математические основы и обосновать выбор параметров.

Типичные ошибки при написании дипломной работы по обнаружению объектов с БПЛА