Система на основі RGB-датчика для виявлення камуфляжу у військовому середовищі
DOI:
https://doi.org/10.30837/0135-1710.2025.186.083Ключові слова:
RGB-датчик, виявлення камуфляжу, військове застосування, низьковартісна система, аналіз кольорових аномалій, оптичний сенсор, ESP32, натурні випробуванняАнотація
Предметом дослідження є розробка недорогої оптичної системи на основі RGB-датчика для виявлення замаскованих об’єктів у військовому середовищі. Метою дослідження є створення прототипу апаратно-програмної системи виявлення камуфляжу на основі RGB-датчика, що працює у видимому спектрі світла, з подальшою експериментальною перевіркою його ефективності у різних природних умовах. Система відзначається низьким енергоспоживанням, мобільністю та може бути інтегрована у портативні або безпілотні розвідувальні платформи. Для досягнення поставленої мети було вирішено такі задачі: розробка апаратної структури сенсорної системи на основі доступних компонентів; реалізація алгоритмів моделювання фону, виявлення кольорових аномалій та фільтрації шумів з використанням колориметричного аналізу у просторі RGB; проведення серії натурних експериментів у різних природних умовах – лісистій місцевості, степовій зоні та кам’янистому ландшафті; оцінка точності, стабільності та обмежень запропонованого рішення у порівнянні з тепловізорами та інфрачервоними камерами зі штучним інтелектом. Методологія базується на використанні RGB-датчика TCS34725 із вбудованим інфрачервоним фільтром та 16-бітним АЦП у поєднанні з мікроконтролером ESP32, який забезпечує обробку даних у реальному часі, бездротову передачу інформації та автономну роботу. Алгоритм виявлення ґрунтується на формуванні кольорового профілю фону, аналізі відхилень за евклідовою відстанню, нормалізації RGB-значень, медіанній фільтрації та адаптивному пороговому визначенні, що забезпечує стійкість до змін середовища. Результати випробувань показали, що запропонована система здатна з високою точністю ідентифікувати цифровий камуфляж «піксель» у лісистій місцевості (86 %), камуфляж «мультикам» у степових умовах (78 %) та однотонний оливковий камуфляж на кам’янистому фоні (65 %). Порівняння з тепловізійними та інфрачервоними системами підтвердило значні переваги RGB-рішення за вартістю (менше $ 20), енергоефективністю та мобільністю, хоча функціонування можливе лише у денний час. У висновках наголошується на доцільності застосування RGB-систем виявлення як економічно вигідного допоміжного інструменту для розвідки та охоронних завдань. Наукова новизна дослідження полягає в інтеграції простого й доступного RGB-сенсора з адаптивними алгоритмами моделювання фону та аналізу кольорових відхилень, що дозволяє створювати малопотужні платформи для виявлення камуфляжу. На відміну від традиційних підходів, запропонована система відкриває перспективи розгортання розподіленої мережі дешевих сенсорних вузлів або інтеграції у безпілотні літальні апарати для оперативного моніторингу великих територій.
Посилання
Sun Y., Chen G., Zhou T., Zhang Y., Liu N. Context-aware Cross-level Fusion Network for Camouflaged Object Detection (C2F Net). Proceedings of the 30th International Joint Conference on Artificial Intelligence (IJCAI-21). 2021. С. 1025–1031. URL: https://doi.org/10.24963/ijcai.2021/142.
Jiang X., Cai W., Zhang Z., Jiang B., Yang Z., Wang X. MAGNet: Camouflaged Object Detection Network Simulating the Observation Effect of a Magnifier. Entropy. 2022. Vol. 24, № 12. С. 1804. URL: https://doi.org/10.3390/e24121804.
Sun Y., Wang S., Chen C., Xiang T.-Z. Boundary-Guided Network (BGNet) for Camouflaged Object Detection. arXiv preprint. URL: https://arxiv.org/abs/2207.00794 (дата звернення: 15.07.2025).
Ji G.-P., Fan D.-P., Chou Y.-C. et al. Deep Gradient Learning for Efficient Camouflaged Object Detection (DGNet). Machine Intelligence Research. 2023. Vol. 20. p. 92–108. URL: https://doi.org/10.1007/s11633-022-1365-9.
Zheng D., Zheng X., Yang L.T. et al. MFFN: Multiview Feature Fusion Network for Camouflaged Object Detection. arXiv preprint. URL: https://arxiv.org/abs/2210.06361 (дата звернення: 15.07.2025).
Guo Y., Huang H. CLAD: Contrastive Learning and Data Augmentation for Camouflaged Object Detection. Sensors. 2024. Vol. 24, № 6. p. 2581. URL: https://doi.org/10.3390/s24062581.
Popa A., Botezatu N., Moraru L. Development of a Colorimetric Sensor for Autonomous, Networked, Real-Time Application. Sensors. 2020. Vol. 20, № 20. p. 5857. URL: https://doi.org/10.3390/s20205857.
Hakim G.P.N., Darmawan A., Fadillah M. Benchmarking In Microcontroller Development Board Power Consumption For Low Power IoT WSN Application. Jurnal Teknologi Elektro dan Komputer. 2022. Vol. 11, № 2. p. 105–112. URL: https://doi.org/10.31294/jtekin.v11i2.12546.
Paredes M., Gamarra A., Alvarado J. Prototype of an IoT-Based Low-Cost Sensor Network for Hy-drological Monitoring in Remote Areas. Sensors. 2023. Vol. 23, № 3. p. 1340. URL: https://doi.org/10.3390/s23031340.
Hermawan R.A., Purwanto A. Smart Home Monitoring System Using ESP32 Microcontrollers. IntechOpen. URL: https://www.intechopen.com/chapters/77491 (дата звернення: 15.07.2025).
Yan L.Y., Xu X.Q., Zhang M., Luo S.X. Enhanced Spatio-Temporal Attention Mechanism for Video Anomaly Event Detection. Advances in Computer Engineering. 2025. Vol. 117. URL: https://doi.org/10.54254/2755-2721/2025.20838.
Li Y., Liu H., Wang Y. Evaluation of Color Anomaly Detection in Multispectral Images Using Statistical Thresholding. Engineering. 2023. Vol. 3, № 4. p. 541–553. URL: https://doi.org/10.3390/eng3040038.
Zhao Y., Li C., Zhang J. Improved Spatio-Temporal Graph Convolutional Networks for Fine-Grained Video Anomaly Detection. Opto-Electronic Engineering. 2024. Vol. 51, № 2. Article ID: 240034. URL: https://doi.org/10.12086/oee.2024.240034.
Tran M., Nguyen T. Deep BiLSTM Attention Model for Spatial and Temporal Anomaly Detection in Surveillance Videos. Sensors. 2025. Vol. 25, № 1. Article № 251. URL: https://doi.org/10.3390/s25010251.
Romero-González G., Santana-Cedrés D., Díaz-Díaz N., Lorenzo-Navarro J. Background Subtraction for Dynamic Scenes Using Gabor Filter Bank and Statistical Moments. Algorithms. 2024. Vol. 17, № 4. Article № 133. URL: https://doi.org/10.3390/a17040133.
Pambudi S., Wahyudi I., Astuti N.I. Impact of Wolf Thresholding on Background Subtraction for Human Motion Detection. Compiler. 2024. Vol. 13, № 1. p. 37–45. URL: https://doi.org/10.28989/compiler.v13i1.2116.
Minaee S., Boykov Y., Porikli F., Plaza A., Kehtarnavaz N., Terzopoulos D. Image Segmentation Using Deep Learning: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 44, № 7. p. 3523–3542. URL: https://doi.org/10.1109/TPAMI.2021.3059968.
Li X., Wang Y., Yang J., Zhou Y., Li Z. Transformer-Based Visual Segmentation: A Survey. arXiv preprint. 2023. arXiv:2304.09854. URL: https://doi.org/10.48550/arXiv.2304.09854.
Хорошайло Ю. Є., Семенов С. Г., Лимаренко В. В. Цифровий датчик для вимірювання кольору : пат. на корисну модель 107317 Україна; ХНУРЕ. 2016.
BOSON® LWIR OEM Thermal Camera Module Datasheet. Teledyne FLIR. URL: https://f.hubspotusercontent10.net/hubfs/20335613/flir-boson-datasheet.pdf (дата звернення: 15.07.2025).
FLIR Lepton® Series Datasheet (Lepton 3 / 3.5). Teledyne FLIR. URL: https://d3mm496e6885mw.cloudfront.net/manufacturer_product/652edc2b527692120f62e958/specsheet/spec_sheets/original/LeptonSeriesDatasheet1.pdf (дата звернення: 15.07.2025)
MLX90640 32×24 IR Array Datasheet. Melexis. URL: https://www.melexis.com/-/media/files/documents/datasheets/mlx90640-datasheet-melexis.pdf (дата звернення: 15.07.2025)
