זיהוי טנקים בזרם וידאו באמצעות שיטות למידת מכונה (+2 סרטונים בפלטפורמות אלברוס ובאיקל)

במהלך הפעילות שלנו, אנו מתמודדים מדי יום עם הבעיה של קביעת סדרי עדיפויות בפיתוח. בהתחשב בדינמיקה הגבוהה של הפיתוח של תעשיית ה-IT, הדרישה ההולכת וגוברת מהעסקים והממשל לטכנולוגיות חדשות, בכל פעם שאנו קובעים את וקטור הפיתוח ומשקיעים את הכוחות והכספים שלנו בפוטנציאל המדעי של החברה שלנו, אנו מוודאים ש כל המחקרים והפרויקטים שלנו הינם מהותיים ובינתחומיים.

לכן, על ידי פיתוח הטכנולוגיה העיקרית שלנו - מסגרת זיהוי הנתונים HIEROGLYPH, אנו מודאגים הן משיפור איכות זיהוי המסמכים (הקו העסקי העיקרי שלנו) והן מהאפשרות להשתמש בטכנולוגיה לפתרון בעיות זיהוי קשורות. במאמר של היום נספר לכם כיצד, בהתבסס על מנוע הזיהוי שלנו (מסמכים), עשינו זיהוי של אובייקטים גדולים יותר וחשובים אסטרטגית בזרם וידאו.

הצהרת הבעיה

באמצעות פיתוחים קיימים, בניית מערכת זיהוי טנקים המאפשרת לסווג אובייקט, וכן לקבוע מחוונים גיאומטריים בסיסיים (כיוון ומרחק) בתנאים לא מבוקרים ללא שימוש בציוד מיוחד.

החלטה

בחרנו בגישת למידת מכונה סטטיסטית כאלגוריתם העיקרי לפתרון הבעיה. אבל אחת הבעיות המרכזיות של למידת מכונה היא הצורך בכמות מספקת של נתוני אימון. ברור שתמונות טבעיות המתקבלות מסצנות אמיתיות המכילות את החפצים שאנו צריכים אינם זמינים לנו. לכן, הוחלט לפנות להפקת הנתונים הדרושים לאימון, למרבה המזל יש לנו ניסיון רב במקום הזה. ועדיין, זה נראה לנו לא טבעי לסנתז לחלוטין את הנתונים עבור המשימה הזו, ולכן הוכנה פריסה מיוחדת כדי לדמות סצנות אמיתיות. הדגם מכיל חפצים שונים המדמים את הנוף הכפרי: כיסוי נוף אופייני, שיחים, עצים, גדרות וכו'. התמונות צולמו באמצעות מצלמה דיגיטלית בפורמט קטן. במהלך תהליך לכידת התמונה, הרקע של הסצנה השתנה באופן משמעותי כדי להפוך את האלגוריתמים לחזקים יותר לשינויים ברקע.

אובייקטי המטרה היו 4 דגמים של טנקי קרב: T-90 (רוסיה), M1A2 אברמס (ארה"ב), T-14 (רוסיה), מרכבה III (ישראל). עצמים אותרו במיקומים שונים של המצולע, ובכך הרחיבה את רשימת הזוויות הנראות המקובלות של העצם. מחסומים הנדסיים, עצים, שיחים ושאר מרכיבי נוף מילאו תפקיד משמעותי.

לפיכך, תוך מספר ימים אספנו סט מספיק לאימון והערכה שלאחר מכן של איכות האלגוריתם (כמה עשרות אלפי תמונות).

הם החליטו לפצל את ההכרה עצמה לשני חלקים: לוקליזציה של אובייקט וסיווג אובייקט. לוקליזציה בוצעה באמצעות מסווג ויולה וג'ונס מאומן (אחרי הכל, טנק הוא אובייקט נוקשה רגיל, לא גרוע מפנים, כך ששיטת "הפרטים-עיוורת" של ויולה וג'ונס מיישבת במהירות את אובייקט המטרה). אבל את הסיווג וקביעת הזווית הפקדנו על רשת עצבית מתפתלת - במשימה זו חשוב לנו שהגלאי יזהה בהצלחה את התכונות האלה שמבדילות, נניח, את ה-T-90 מהמרכבה. כתוצאה מכך, ניתן היה לבנות קומפוזיציה יעילה של אלגוריתמים הפותר בהצלחה את בעיית הלוקליזציה והסיווג של אובייקטים מאותו סוג.

לאחר מכן, השקנו את התוכנית שהתקבלה בכל הפלטפורמות הקיימות שלנו (Intel, ARM, Elbrus, Baikal, KOMDIV), אופטימיזציה של אלגוריתמים קשים מבחינה חישובית להגברת הביצועים (כבר כתבנו על כך מספר פעמים במאמרים שלנו, למשל כאן https://habr.com/ru/company/smartengines/blog/438948/ או https://habr.com/ru/company/smartengines/blog/351134/) והשיגה פעולה יציבה של התוכנית במכשיר בזמן אמת.

כתוצאה מכל הפעולות המתוארות, השגנו מוצר תוכנה מלא עם מאפיינים טקטיים וטכניים משמעותיים.

קורא טנקים חכם

אז, אנו מציגים בפניכם את הפיתוח החדש שלנו - תוכנית לזיהוי תמונות של טנקים בזרם וידאו קורא טנקים חכם, איזה:

• פותר את בעיית "חבר או אויב" עבור קבוצה נתונה של אובייקטים בזמן אמת;
• קובע פרמטרים גיאומטריים (מרחק לאובייקט, כיוון מועדף של האובייקט);
• עובד בתנאי מזג אוויר בלתי מבוקרים, כמו גם במקרה של חסימה חלקית של האובייקט על ידי עצמים זרים;
• פעולה אוטונומית מלאה במכשיר היעד, כולל בהיעדר תקשורת רדיו;
• רשימה של ארכיטקטורות מעבדים נתמכות: Elbrus, Baikal, KOMDIV, כמו גם x86, x86_64, ARM;
• רשימת מערכות ההפעלה הנתמכות: Elbrus OS, AstraLinux OS, Atlix OS, כמו גם MS Windows, macOS, הפצות לינוקס שונות התומכות ב-gcc 4.8, Android, iOS;
• פיתוח ביתי לחלוטין.

בדרך כלל, בסיום המאמרים שלנו על Habré, אנו מספקים קישור לשוק, שבו כל מי שמשתמש בטלפון הנייד שלו יכול להוריד גרסת הדגמה של האפליקציה על מנת להעריך בפועל את ביצועי הטכנולוגיה. הפעם, תוך התחשבות בפרטים הספציפיים של היישום המתקבל, אנו מאחלים לכל הקוראים שלנו שלא יתמודדו בחיים עם הבעיה של קביעה מהירה אם טנק שייך לצד מסוים.

מקור: www.habr.com