eng
Выпуск #2/2025
В. Ненашев
КЛАССИФИКАЦИЯ ПОВЕРХНОСТЕЙ ПО ВИДЕОКАДРАМ С ПРИМЕНЕНИЕМ АВИАЦИОННЫХ СИСТЕМ ГРУППОВОГО ТЕХНИЧЕСКОГО ЗРЕНИЯ
КЛАССИФИКАЦИЯ ПОВЕРХНОСТЕЙ ПО ВИДЕОКАДРАМ С ПРИМЕНЕНИЕМ АВИАЦИОННЫХ СИСТЕМ ГРУППОВОГО ТЕХНИЧЕСКОГО ЗРЕНИЯ
Просмотры: 638
DOI: 10.22184/1992-4178.2025.243.2.126.129
В статье рассматривается метод классификации подстилающих поверхностей по видеокадрам, формируемым в передней зоне обзора малых авиационных систем с использованием технического зрения в радиодиапазоне. Разработанная процедура может применяться в лесном и сельском хозяйстве, а также для автоматизированного контроля зон чрезвычайных ситуаций.
В статье рассматривается метод классификации подстилающих поверхностей по видеокадрам, формируемым в передней зоне обзора малых авиационных систем с использованием технического зрения в радиодиапазоне. Разработанная процедура может применяться в лесном и сельском хозяйстве, а также для автоматизированного контроля зон чрезвычайных ситуаций.
Теги: classification of heterogeneous surfaces group technical vision multi-position aviation systems radar frames групповое техническое зрение классификация разнородных поверхностей многопозиционные авиационные системы радиолокационные кадры
Классификация поверхностей по видеокадрам с применением авиационных систем группового технического зрения
В. Ненашев, к. т. н.
Освещены вопросы классификации подстилающих поверхностей по видеокадрам, формируемым в передней зоне обзора малых авиационных систем (АС) группового контроля с применением средств технического зрения, реализуемых в радиодиапазоне. Решается проблема определения эталонных моделей для данной классификации сугубо
по статистическим характеристикам. Разработанная процедура применима для решения задач автоматизированного контроля зон чрезвычайных ситуаций, оценки ледовой и водной обстановки, а также для лесного и сельского хозяйства.
Введение
В последние годы для мониторинга участков земной поверхности все чаще применяются групповые авиационные системы, оснащенные технологиями дистанционного зондирования, технозрения и нейросетевого анализа изображений, что позволяет повысить качество обработки данных и автоматизации процессов наблюдения [1–5]. По ряду технических и экономических причин такие системы часто строятся на базе малых летательных аппаратов (МЛА) и реализуются в однопозиционном варианте. Однако для своевременного контроля за подстилающими поверхностями и обеспечения обнаружения чрезвычайных ситуаций (ЧС), а также для раннего выявления экологических катастроф более предпочтительным является использование распределенных в пространстве АС, включающих несколько МЛА.
Применение гуппового режима наблюдения сокращает время, необходимое для мониторинга территории, что особенно важно при выполнении задач оперативного характера, требующих быстрого реагирования. Данными факторами и обосновывается целесообразность развития методов контроля для авиационных систем, объединенных во взаимодействующую оперативную группу.
По вышеуказанным причинам на сегодняшний день актуальной и значимой задачей является развитие теории комплексирования информации в авиационных системах группового технического зрения (ТЗ) и реализация на их базе практических методов оперативного контроля зон чрезвычайных ситуаций. Задачу следует решать в направлении автоматизации процессов контроля, реализуемых без вмешательства оператора. Для этого целесообразно применение многопозиционной авиационной системы оперативного контроля зон ЧС и комплексной обработки потоков видеокадров, сформированных в радиодиапазоне (ВКР), с использованием методов технического зрения. Поэтому настоящая работа посвящена исследованию и разработке подхода по объединению локационных данных, получаемых от нескольких разнородных источников, обеспечивающих формирование разнородных видео-кадров в аппаратуре контроля АС на базе МЛА. На основе объединения разнородных кадров [6–12] формируется комплексный видеокадр (КВК), по которому осуществляется определение пространства информационных признаков для типизации отдельных наблюдаемых зон подстилающей поверхности с различных ракурсов наблюдения в групповом режиме функционирования АС с ТЗ.
Для эффективной классификации территорий целесообразно использовать анализ статистических параметров плотности распределения (ПР) принимаемых сигналов, среди которых математическое ожидание, среднеквадратическое отклонение, коэффициент ва-
риации и др. При этом данные классификационные параметры следует определять в динамике поступления каждого ВКР для накопления требуемой статистики этих параметров с целью обеспечения точности и достоверности при построении классификационной карты зон земной поверхности. Так, следует подчеркнуть, что при таком межкадровом подходе накопления статистики, процесс классификации является более устойчивым к появлению ошибочных определений классов зон, чем в случае анализа одного ВКР.
Из вышеизложенного следует научная задача, которая заключается в разработке процедуры определения набора статистических признаков, наличие которых позволит классифицировать отдельные зоны подстилающих поверхностей в условиях ограниченной видимости, вызванной присутствием насыщенной среды, например, дымовой завесы в зонах ЧС, а также погодными условиями.
Определение набора информационных признаков для классификации зон подстилающих поверхностей
Решение задачи определения классов наблюдаемых зон состоит в том, чтобы подтвердить способность данной процедуры достоверно и автоматизировано определять типы подстилающих поверхностей при автономном групповом контроле зон земной поверхности,
в том числе с бортов МЛА, в частности, в многопозиционном разноракурсном режиме. То есть требуется осуществить нахождение статистических эквивалентов – ПР сигналов для всепогодной и автоматизированной классификации различных типов поверхностей по набору статистических параметров. При этом данные параметры должны определяться в динамике формирования потока ВКР [1, 10]. Таким набором параметров могут являться следующие: математическое ожидание (Mv(q)), дисперсия (Dv(q)), коэффициент вариации (Kv(q)) и др.
Определение набора статистических параметров для классификации подстилающих поверхностей является прямой задачей и включает в себя следующие этапы:
1. Прием переотраженных сигналов радиоэлектронным устройством контроля, переданных с АС2, которая обеспечивает контроль передней зоны обзора (ПЗО) АС1 за счет передачи ей сформированного потока ВКР в переднебоковом режиме обзора.
2. Формирование потока ВКР в передней зоне обзора АС1.
3. Запись в память АС1 виртуальной модели местности (ВММ) в виде оптического слоя (ОС) с классификацией зон по различным типам земной поверхности.
4. Комплексирование каждого потока ВКР с ВММ
с использованием методов технического зрения.
5. Классификация зон ВКР по наложенному ОС.
На первом этапе осуществляется регистрация сигнала (п. 1), по которому формируется ВКР (п. 2). В то же время в памяти АС1 имеется записанная цифровая модель местности (ЦММ) в виде ОС с классификацией зон той же поверхности (п. 3), по которой был сформирован ВКР во время выполнения полетного задания. Она способна выдавать фрагменты ЦММ в виде ОС с различных ракурсов. Далее, после состыковки ОС и радио-электронного слоя (РС) в единую композицию, к ВКР и фрагменту ЦММ в виде ОС одновременно применяется процедура сегментации [13, 14]. Использованные для исследуемых ВКР и ОС методы кластеризации пикселей выделяют характерные области, на основе анализа которых происходит последующее объединение изучаемых изображений различного рода в единый комплексный кадр (п. 4). На сформированном комплексном изображении реализуется задача классификации РС по наложенному ОС (п. 5). Процессы решения прямой задачи описаны в работах [9, 10, 15].
Далее решается инверсная задача, которая включает следующие этапы:
1. Сегментация уже классифицированных зон в текущем потоке ВКР.
2. Извлечение индивидуальных сигналов R1 из общего сигнала Seg1, сегментированного в текущем ВКР, причем каждый сигнал соответствует определенному типу классифицированных зон.
3. Для каждого ВКР необходимо рассчитать закон распределения LD1, LD2, …, LDN выделенных сигналов R1, R2, …, RN отдельных сегментированных областей, каждый из которых соответствует определенному сегменту.
4. Вычисление характеристик ПР (Mv, Dv, Kv) для каждого потока ВКР для сбора межкадровых параметров Rq = {(Mv1, Dv1, Kv1), (Mv2, Dv2, Kv2), …, (MvN, DvN, KvN)}.
5. Определение набора статистических параметров для классификации типов подстилающих поверхностей, наблюдаемых с различных ракурсов, на основе анализа межкадровых данных Rq.
Для решения инверсной задачи требуется по имеющимся КВК выделить области (сегменты) на ВКР с классификацией для последующего выделения сигнала из РС КВК, соответствующего отдельным ранее типизированным областям. Для этого реализуется сегментация радиоэлектронного слоя КВК с сохранением принадлежности классификации зон по оптическому слою КВК. Далее осуществляется выделение (разделение суммарного Seg зарегистрированного сигнала, по которому был сформирован текущий ВКР) сигнала, соответствующего отдельным сегментам, которые в свою очередь соотносятся с конкретными типами классифицированных областей.
После разделения анализируемого сигнала на сегменты, соответствующие отдельным кластеризованным зонам подстилающей поверхности, классифицированным по ОС КВК, необходимо определить ПР для этих сигналов, которые соответствуют различным типам земной поверхности в каждом сегменте.
Следует также уточнить набор статистических параметров, таких как математическое ожидание, дисперсия и коэффициент вариации, для классификации подстилающей поверхности с различных углов наблюдения. Это позволяет улучшить надежность распознавания территорий в рамках авиационных систем группового технического зрения.
Далее наглядно показана последовательность действий решения инверсной задачи для одного конкретного сегмента (см. табл. 1).
Таким образом, разработан подход к выявлению статистических эквивалентов, предназначенных для радио-электронной классификации отдельных зон наблюдаемых территорий. Этот подход базируется на применении методов сегментации, радиозрения, статистических методов анализа и комплексной обработки потоковых видеокадров.
В итоге процедура классификации типов подстилающих поверхностей осуществляется путем накопления статистических параметров, определяемых для каждого видеокадра, полученного в радиодиапазоне и без использования ОС КВК. Это имеет важную практическую значимость в ситуациях, когда оптико-локационные устройства не могут функционировать, например, из-за погодных и сезонных условий ограниченной видимости.
Заключение
Для решения задачи классификации поверхностей земли использовались авиационные системы группового технического зрения. Были получены, проанализированы
и сформированы соответствующие наборы статистических параметров сигналов в целях определения пространства информационных признаков и представлен механизм их определения. Выявлены наиболее информативные параметры классификации. Выделенные параметры информационных сигналов являются устойчивыми при влиянии воздействий ограниченной видимости на регистрируемый сигнал при формировании ВКР.
Разработана процедура классификации зон земной поверхности по сформированным ВКР. Для ее реализации применены высокоскоростные алгоритмы методов технического зрения, с помощью которых осуществляется выделение сигналов от отдельных зон наблюдаемых территорий. Классификация реализуется по определенным информационным признакам, где исключение ОС в процедуре и использование только РС позволяет выполнять классификацию территорий вне зависимости от погодных, суточных, сезонных условий.
Финансовая поддержка
Исследование выполнено за счет гранта Российского
научного фонда (проект № 22-79-00303).
ЛИТЕРАТУРА
Ненашев В. А., Сенцов А. А. Пространственно-распределенные системы радиолокационного
и оптического мониторинга: моногр. // СПб: Редакционно-издательский центр ГУАП, 2022. 191 с.
Klemm R., Nickel U., Gierull C. H., Lombardo P. Novel Radar Techniques and Applications: Real Aperture Array Radar, Imaging Radar and Passive and Multistatic Radar // Institution of Engineering and Technology, 2017. 949 p.
Toro G. F., Tsourdos A. UAV sensors for environmental monitoring // Belgrade: MDPI, 2018. 661 p.
Ненашев В. А., Сергеев А. М., Васильев И. А. Моделирование сложных кодо-модулированных сигналов для современных систем обнаружения и передачи информации // Научная сессия ГУАП: Сборник докладов научной сессии, посвященной Всемирному дню авиации и космонавтики. В 3-х частях. Часть II. СПб.: ГУАП, 2019. С. 413–417.
Ненашев В. А., Ханыков И. Г. Формирование комплексного изображения земной поверхности на основе кластеризации пикселей локационных снимков в многопозиционной бортовой системе // Информатика и автоматизация, 2021. Т. 20. № 2. С. 302–340.
Антонов И. К., Детков А. Н., Ницак Д. А., Тонких А. Н., Цветков О. Е. Воздушная разведка. Автоматизированное дешифрирование радиолокационных изображений // М.: Радиотехника, 2021. 296 с.
Ненашев В. А., Ненашев С. А. Классификация и распознавание наземных объектов в потоке радиолокационных кадров на основе нейросетевого подхода // Автоматизация в промышленности. 2024. № 1. С. 29–33.
Nenashev V. A., Khanykov I. G. Methodology for classifying types of underlying surfaces using radar frames in a spatially distributed system of small-sized radar stations //
XXVII International Conference «2024 Wave electronics and its application in information and telecommunication systems» (WECONF), Saint-Petersburg, Russia, 3–7 June 2024, pp.1–5.
Nenashev V. A., Khanykov I. G. Formation of Fused Images of the Land Surface from Radar and Optical Images in Spatial Distributed On-Board Operational Monitoring Systems // Journal of Imaging, 2021. 7 (12): 251.
Ненашев В. А. Особенности классификации подстилающих поверхностей земли по характеристикам эхо-сигналов в бортовых РЛС // Труды МАИ, 2021. № 118. DOI 10.34759/trd-2021-118-11.
Лунёв Е. М., Неретин Е. С., Дяченко С. А. Дуброво А. И. Разработка программно-алгоритмического обеспечения прототипа системы синтетического видения для перспективных объектов авиационной техники // Труды МАИ, 2016. № 86.
URL: http://trudymai.ru/published.php?ID=66366.
Nenashev V. A., Shepeta A. P., Kryachko A. F. Fusion Radar and Optical Information in Multi-Position On-Board Location Systems // 2020 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF), St. Petersburg, Russia, 2020, pp. 1–5.
Патент № 2756904 C1 Российская Федерация, МПК G01S 13/90 (2006.01), H04N 5/33 (2006.01). Устройство разноракурсного многопозиционного синтезирования комплексного изображения земной поверхности: № 2021107671: заявл. 24.08.2020: опубл. 06.10.2021 / Ненашев В. А., Ханыков И. Г., Шепета А. П.; заявитель ФГАОУ ВО "Санкт-Петербургский государственный университет аэрокосмического приборостроения".
Сенцов А. А., Ненашев В. А., Иванов С. А., Турнецкая Е. Л. Совмещение сформированных радиолокационных изображений с цифровой картой местности в бортовых системах оперативного мониторинга земной поверхности // Труды МАИ, 2021. № 117. DOI 10.34759/trd-2021-117-08.
Патент № 2703996 C2 Российская Федерация, МПК G01S 13/90 (2006.01). Способ локации целей в передних зонах обзора бортовых радиолокационных станций двухпозиционной радиолокационной системы: № 2019108828: заявл. 26.03.2019: опубл. 23.10.2019 / Коржавин Г. А., Ненашев В. А., Шепета А. П. и др.; заявитель АО «Концерн "Гранит-Электрон"».
В. Ненашев, к. т. н.
Освещены вопросы классификации подстилающих поверхностей по видеокадрам, формируемым в передней зоне обзора малых авиационных систем (АС) группового контроля с применением средств технического зрения, реализуемых в радиодиапазоне. Решается проблема определения эталонных моделей для данной классификации сугубо
по статистическим характеристикам. Разработанная процедура применима для решения задач автоматизированного контроля зон чрезвычайных ситуаций, оценки ледовой и водной обстановки, а также для лесного и сельского хозяйства.
Введение
В последние годы для мониторинга участков земной поверхности все чаще применяются групповые авиационные системы, оснащенные технологиями дистанционного зондирования, технозрения и нейросетевого анализа изображений, что позволяет повысить качество обработки данных и автоматизации процессов наблюдения [1–5]. По ряду технических и экономических причин такие системы часто строятся на базе малых летательных аппаратов (МЛА) и реализуются в однопозиционном варианте. Однако для своевременного контроля за подстилающими поверхностями и обеспечения обнаружения чрезвычайных ситуаций (ЧС), а также для раннего выявления экологических катастроф более предпочтительным является использование распределенных в пространстве АС, включающих несколько МЛА.
Применение гуппового режима наблюдения сокращает время, необходимое для мониторинга территории, что особенно важно при выполнении задач оперативного характера, требующих быстрого реагирования. Данными факторами и обосновывается целесообразность развития методов контроля для авиационных систем, объединенных во взаимодействующую оперативную группу.
По вышеуказанным причинам на сегодняшний день актуальной и значимой задачей является развитие теории комплексирования информации в авиационных системах группового технического зрения (ТЗ) и реализация на их базе практических методов оперативного контроля зон чрезвычайных ситуаций. Задачу следует решать в направлении автоматизации процессов контроля, реализуемых без вмешательства оператора. Для этого целесообразно применение многопозиционной авиационной системы оперативного контроля зон ЧС и комплексной обработки потоков видеокадров, сформированных в радиодиапазоне (ВКР), с использованием методов технического зрения. Поэтому настоящая работа посвящена исследованию и разработке подхода по объединению локационных данных, получаемых от нескольких разнородных источников, обеспечивающих формирование разнородных видео-кадров в аппаратуре контроля АС на базе МЛА. На основе объединения разнородных кадров [6–12] формируется комплексный видеокадр (КВК), по которому осуществляется определение пространства информационных признаков для типизации отдельных наблюдаемых зон подстилающей поверхности с различных ракурсов наблюдения в групповом режиме функционирования АС с ТЗ.
Для эффективной классификации территорий целесообразно использовать анализ статистических параметров плотности распределения (ПР) принимаемых сигналов, среди которых математическое ожидание, среднеквадратическое отклонение, коэффициент ва-
риации и др. При этом данные классификационные параметры следует определять в динамике поступления каждого ВКР для накопления требуемой статистики этих параметров с целью обеспечения точности и достоверности при построении классификационной карты зон земной поверхности. Так, следует подчеркнуть, что при таком межкадровом подходе накопления статистики, процесс классификации является более устойчивым к появлению ошибочных определений классов зон, чем в случае анализа одного ВКР.
Из вышеизложенного следует научная задача, которая заключается в разработке процедуры определения набора статистических признаков, наличие которых позволит классифицировать отдельные зоны подстилающих поверхностей в условиях ограниченной видимости, вызванной присутствием насыщенной среды, например, дымовой завесы в зонах ЧС, а также погодными условиями.
Определение набора информационных признаков для классификации зон подстилающих поверхностей
Решение задачи определения классов наблюдаемых зон состоит в том, чтобы подтвердить способность данной процедуры достоверно и автоматизировано определять типы подстилающих поверхностей при автономном групповом контроле зон земной поверхности,
в том числе с бортов МЛА, в частности, в многопозиционном разноракурсном режиме. То есть требуется осуществить нахождение статистических эквивалентов – ПР сигналов для всепогодной и автоматизированной классификации различных типов поверхностей по набору статистических параметров. При этом данные параметры должны определяться в динамике формирования потока ВКР [1, 10]. Таким набором параметров могут являться следующие: математическое ожидание (Mv(q)), дисперсия (Dv(q)), коэффициент вариации (Kv(q)) и др.
Определение набора статистических параметров для классификации подстилающих поверхностей является прямой задачей и включает в себя следующие этапы:
1. Прием переотраженных сигналов радиоэлектронным устройством контроля, переданных с АС2, которая обеспечивает контроль передней зоны обзора (ПЗО) АС1 за счет передачи ей сформированного потока ВКР в переднебоковом режиме обзора.
2. Формирование потока ВКР в передней зоне обзора АС1.
3. Запись в память АС1 виртуальной модели местности (ВММ) в виде оптического слоя (ОС) с классификацией зон по различным типам земной поверхности.
4. Комплексирование каждого потока ВКР с ВММ
с использованием методов технического зрения.
5. Классификация зон ВКР по наложенному ОС.
На первом этапе осуществляется регистрация сигнала (п. 1), по которому формируется ВКР (п. 2). В то же время в памяти АС1 имеется записанная цифровая модель местности (ЦММ) в виде ОС с классификацией зон той же поверхности (п. 3), по которой был сформирован ВКР во время выполнения полетного задания. Она способна выдавать фрагменты ЦММ в виде ОС с различных ракурсов. Далее, после состыковки ОС и радио-электронного слоя (РС) в единую композицию, к ВКР и фрагменту ЦММ в виде ОС одновременно применяется процедура сегментации [13, 14]. Использованные для исследуемых ВКР и ОС методы кластеризации пикселей выделяют характерные области, на основе анализа которых происходит последующее объединение изучаемых изображений различного рода в единый комплексный кадр (п. 4). На сформированном комплексном изображении реализуется задача классификации РС по наложенному ОС (п. 5). Процессы решения прямой задачи описаны в работах [9, 10, 15].
Далее решается инверсная задача, которая включает следующие этапы:
1. Сегментация уже классифицированных зон в текущем потоке ВКР.
2. Извлечение индивидуальных сигналов R1 из общего сигнала Seg1, сегментированного в текущем ВКР, причем каждый сигнал соответствует определенному типу классифицированных зон.
3. Для каждого ВКР необходимо рассчитать закон распределения LD1, LD2, …, LDN выделенных сигналов R1, R2, …, RN отдельных сегментированных областей, каждый из которых соответствует определенному сегменту.
4. Вычисление характеристик ПР (Mv, Dv, Kv) для каждого потока ВКР для сбора межкадровых параметров Rq = {(Mv1, Dv1, Kv1), (Mv2, Dv2, Kv2), …, (MvN, DvN, KvN)}.
5. Определение набора статистических параметров для классификации типов подстилающих поверхностей, наблюдаемых с различных ракурсов, на основе анализа межкадровых данных Rq.
Для решения инверсной задачи требуется по имеющимся КВК выделить области (сегменты) на ВКР с классификацией для последующего выделения сигнала из РС КВК, соответствующего отдельным ранее типизированным областям. Для этого реализуется сегментация радиоэлектронного слоя КВК с сохранением принадлежности классификации зон по оптическому слою КВК. Далее осуществляется выделение (разделение суммарного Seg зарегистрированного сигнала, по которому был сформирован текущий ВКР) сигнала, соответствующего отдельным сегментам, которые в свою очередь соотносятся с конкретными типами классифицированных областей.
После разделения анализируемого сигнала на сегменты, соответствующие отдельным кластеризованным зонам подстилающей поверхности, классифицированным по ОС КВК, необходимо определить ПР для этих сигналов, которые соответствуют различным типам земной поверхности в каждом сегменте.
Следует также уточнить набор статистических параметров, таких как математическое ожидание, дисперсия и коэффициент вариации, для классификации подстилающей поверхности с различных углов наблюдения. Это позволяет улучшить надежность распознавания территорий в рамках авиационных систем группового технического зрения.
Далее наглядно показана последовательность действий решения инверсной задачи для одного конкретного сегмента (см. табл. 1).
Таким образом, разработан подход к выявлению статистических эквивалентов, предназначенных для радио-электронной классификации отдельных зон наблюдаемых территорий. Этот подход базируется на применении методов сегментации, радиозрения, статистических методов анализа и комплексной обработки потоковых видеокадров.
В итоге процедура классификации типов подстилающих поверхностей осуществляется путем накопления статистических параметров, определяемых для каждого видеокадра, полученного в радиодиапазоне и без использования ОС КВК. Это имеет важную практическую значимость в ситуациях, когда оптико-локационные устройства не могут функционировать, например, из-за погодных и сезонных условий ограниченной видимости.
Заключение
Для решения задачи классификации поверхностей земли использовались авиационные системы группового технического зрения. Были получены, проанализированы
и сформированы соответствующие наборы статистических параметров сигналов в целях определения пространства информационных признаков и представлен механизм их определения. Выявлены наиболее информативные параметры классификации. Выделенные параметры информационных сигналов являются устойчивыми при влиянии воздействий ограниченной видимости на регистрируемый сигнал при формировании ВКР.
Разработана процедура классификации зон земной поверхности по сформированным ВКР. Для ее реализации применены высокоскоростные алгоритмы методов технического зрения, с помощью которых осуществляется выделение сигналов от отдельных зон наблюдаемых территорий. Классификация реализуется по определенным информационным признакам, где исключение ОС в процедуре и использование только РС позволяет выполнять классификацию территорий вне зависимости от погодных, суточных, сезонных условий.
Финансовая поддержка
Исследование выполнено за счет гранта Российского
научного фонда (проект № 22-79-00303).
ЛИТЕРАТУРА
Ненашев В. А., Сенцов А. А. Пространственно-распределенные системы радиолокационного
и оптического мониторинга: моногр. // СПб: Редакционно-издательский центр ГУАП, 2022. 191 с.
Klemm R., Nickel U., Gierull C. H., Lombardo P. Novel Radar Techniques and Applications: Real Aperture Array Radar, Imaging Radar and Passive and Multistatic Radar // Institution of Engineering and Technology, 2017. 949 p.
Toro G. F., Tsourdos A. UAV sensors for environmental monitoring // Belgrade: MDPI, 2018. 661 p.
Ненашев В. А., Сергеев А. М., Васильев И. А. Моделирование сложных кодо-модулированных сигналов для современных систем обнаружения и передачи информации // Научная сессия ГУАП: Сборник докладов научной сессии, посвященной Всемирному дню авиации и космонавтики. В 3-х частях. Часть II. СПб.: ГУАП, 2019. С. 413–417.
Ненашев В. А., Ханыков И. Г. Формирование комплексного изображения земной поверхности на основе кластеризации пикселей локационных снимков в многопозиционной бортовой системе // Информатика и автоматизация, 2021. Т. 20. № 2. С. 302–340.
Антонов И. К., Детков А. Н., Ницак Д. А., Тонких А. Н., Цветков О. Е. Воздушная разведка. Автоматизированное дешифрирование радиолокационных изображений // М.: Радиотехника, 2021. 296 с.
Ненашев В. А., Ненашев С. А. Классификация и распознавание наземных объектов в потоке радиолокационных кадров на основе нейросетевого подхода // Автоматизация в промышленности. 2024. № 1. С. 29–33.
Nenashev V. A., Khanykov I. G. Methodology for classifying types of underlying surfaces using radar frames in a spatially distributed system of small-sized radar stations //
XXVII International Conference «2024 Wave electronics and its application in information and telecommunication systems» (WECONF), Saint-Petersburg, Russia, 3–7 June 2024, pp.1–5.
Nenashev V. A., Khanykov I. G. Formation of Fused Images of the Land Surface from Radar and Optical Images in Spatial Distributed On-Board Operational Monitoring Systems // Journal of Imaging, 2021. 7 (12): 251.
Ненашев В. А. Особенности классификации подстилающих поверхностей земли по характеристикам эхо-сигналов в бортовых РЛС // Труды МАИ, 2021. № 118. DOI 10.34759/trd-2021-118-11.
Лунёв Е. М., Неретин Е. С., Дяченко С. А. Дуброво А. И. Разработка программно-алгоритмического обеспечения прототипа системы синтетического видения для перспективных объектов авиационной техники // Труды МАИ, 2016. № 86.
URL: http://trudymai.ru/published.php?ID=66366.
Nenashev V. A., Shepeta A. P., Kryachko A. F. Fusion Radar and Optical Information in Multi-Position On-Board Location Systems // 2020 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF), St. Petersburg, Russia, 2020, pp. 1–5.
Патент № 2756904 C1 Российская Федерация, МПК G01S 13/90 (2006.01), H04N 5/33 (2006.01). Устройство разноракурсного многопозиционного синтезирования комплексного изображения земной поверхности: № 2021107671: заявл. 24.08.2020: опубл. 06.10.2021 / Ненашев В. А., Ханыков И. Г., Шепета А. П.; заявитель ФГАОУ ВО "Санкт-Петербургский государственный университет аэрокосмического приборостроения".
Сенцов А. А., Ненашев В. А., Иванов С. А., Турнецкая Е. Л. Совмещение сформированных радиолокационных изображений с цифровой картой местности в бортовых системах оперативного мониторинга земной поверхности // Труды МАИ, 2021. № 117. DOI 10.34759/trd-2021-117-08.
Патент № 2703996 C2 Российская Федерация, МПК G01S 13/90 (2006.01). Способ локации целей в передних зонах обзора бортовых радиолокационных станций двухпозиционной радиолокационной системы: № 2019108828: заявл. 26.03.2019: опубл. 23.10.2019 / Коржавин Г. А., Ненашев В. А., Шепета А. П. и др.; заявитель АО «Концерн "Гранит-Электрон"».
Отзывы читателей
