CC BY
0
Секция «Программные средства и информационные технологии»
УДК 004.032.26
ПРИМЕНЕНИЕ ИСКУСТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧЕ ОБНАРУЖЕНИЯ КОСМИЧЕСКИХ ОБЪЕКТОВ
Д. Н. Наталенко Научный руководитель - М. Н. Фаворская
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: dmitriy.natalenko@mail.ru
Рассмотрены возможности применения искусственных нейронных сетей для анализа данных и обнаружения объектов и событий на изображениях, полученных со спутников и телескопов. Рассмотрена схема работы нейронной сети и решаемые ею задачи.
Ключевые слова: нейронные сети, классификация данных.
APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN THE PROBLEM OF DETECTION OF SPACE OBJECTS
D. N. Natalenko Scientific supervisor - M. N. Favorskaya
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation E-mail: dmitriy.natalenko@mail.ru
The article considers the possibilities of using artificial neural networks for data analysis and detection of objects and events in images received from satellites and telescopes. The scheme of the neural network and the tasks it solves are considered.
Keywords: neural networks, data classification.
В процессе всего развития человечества и информационных технологий происходил постоянный рост объемов данных. На сегодняшний день объемы информации, которые получает человек, уже давно перевесили его возможности в плане самостоятельной обработки этой самой информации. Исходя из прогнозов специалистов, ситуация будет только ухудшаться. Так, например, если ознакомиться с исследованием аналитической фирмы IDC и компании Seagate [1], то можно узнать, что к 2025 году предполагаемый объем всех данных в мире может составить 175 Зб, что почти в 3 раза больше, чем объем данных на момент 2020 года.
Проблема избытка информации касается многих отраслей человеческой жизни, в том числе и космической отрасли. Ведь в процессе астрономических наблюдений собираются огромные объемы данных. Так одна только Большая Сканирующая Антенна ФИАН (Физический институт им. П. Н. Лебедева РАН) способна регистрировать около 32 Тб данных в течение года.
Для работы с большим количеством данных, в том числе графических, отлично подходят искусственные нейронные сети. Нейронная сеть является совокупностью математических моделей нейрона, каждый из которых имеет определенное количество входов и выходов. Нейрон получает данные, обрабатывает их, затем передает следующему нейрону. При этом все
Актуальные проблемы авиации и космонавтики - 2022. Том 2
нейроны обрабатывают поступающие сигналы одинаково. Однако, результат работы может быть разным, так как каждый нейрон способен иметь несколько синапсов, которые в свою очередь усиливают, либо ослабляют поступающие сигналы.
Общую схему работы нейронной сети можно представить следующим образом:
- на входной слой нейронов поступает входной вектор данных;
- данные передаются при помощи синапсов следующему слою, при этом каждый синапс имеет собственный коэффициент веса;
- данные, полученные следующим нейроном, являются суммой всех данных для нейронных сетей, которые перемножены на коэффициенты весов (каждый на свой);
- полученное в конце значение подставляется в функцию активации, в результате чего происходит формирование выходной информации;
- информация передается дальше до тех пор, пока не дойдет до последнего выхода.
В зависимости от выбранной архитектуры, нейронные сети можно обучить работе с разными задачами и разными типами данных. Так, например, нейронные сети светрочного типа хорошо подходят для работы с двумерными изображениями в задаче классификации данных.
Примеры успешного применения нейронных сетей при работе с данными космической отрасли существуют уже сейчас. Так одна из работ Национальной ускорительной лаборатории SLAC (Stanford Linear Accelerator Center) [2] была посвящена анализу изображений, которые были получены при помощи гравитационных линз - массивных космических объектов, способных менять направление распространения электромагнитного излучения фонового объекта. Процесс обработки данных занимал от нескольких недель до месяцев, однако исследователи нашли способ значительно сократить время. Исследовательская группа обучила нейронную сеть полумиллиону смоделированных изображений линз в течение дня. После тестирования, созданные сети смогли за доли секунды извлекать информацию из изображений с точностью, которая не уступала традиционным методам. Данную работу можно считать примером успешного применения сети для работы с графическими данными.
Таблица 1
Результаты тестирования_
Класс объекта Предсказание при высоком разрешении объектов Класс объекта Предсказание при низком разрешении изображений
БМП2 БТР70 Т72 БМП2 БТР70 Т72
БПМ2 581 4 2 БПМ2 437 77 73
БТР70 2 194 0 БТР70 0 196 0
Т72 18 0 562 Т72 5 5 572
Всего 587 196 582 Всего 587 196 582
проверочных объектов проверочных объектов
В исследовании Научно-исследовательского института ядерной физики МГУ (Московского государственного университета) [3] рассматривалась возможность применения персептронов и сверточных нейронных сетей в обработке данных, полученных с орбитального телескопа ТУС (Трековая УСтановка), который предназначен для регистрации космических лучей предельно высоких энергий. Основной целью данного исследования была конечная оценка применимости нейронных сетей в классификации данных орбитальных детекторов. Исследование показало, что при применении самых простых конфигураций нейронных сетей, точность результатов составляла более 90%. Была отмечена сложность обучения нейронных сетей при условии различных параметров чувствительности приборов. Однако также была отмечена перспективность применения методов машинного обучения, в том числе нейронных сетей, для
Секция «Про граммные средства и информацио иные техно ло гии»
классификации наборов данных. Также было отмечено, что использование нейронных сетей не потребовало больших вычислительных ресурсов.
В исследовании, посвященном обнаружению и классификации малоразмерных объектов на изображениях, полученными радиолокационными станциями [4], для обнаружения использовалась сверточная нейронная сеть DetectNet, а для классификации изображений была применена сверточная нейронная сеть с архитектурой Residual Network («Остаточная сеть»). В качестве исходных данных были взяты объекты трех классов, проводились проверки классификации как при высоком, так и при низком разрешении изображений. Были отмечены хорошие результаты классификации при работе с изображениями высокого разрешения. Общие результаты тестирования представлены в таблице 1.
Ознакомившись с работами [2-4] можно убедиться, что нейронные сети довольно перспективная технология, которая к тому же развивается все интенсивнее с каждым годом. Основной проблемой, которую выделяют исследователи, является сложность обучения сети на определенных данных, которые могут быть слишком малоинформативными для сетей. Примером таких данных могут стать изображения низкого разрешения. Тема применения нейронных сетей для обработки колоссального количества данных, получаемых в космической отрасли, является актуальной и имеет хороший потенциал, так как сети подобного рода доказали свою высокую точность результатов и высокое быстродействие.
Библиографические ссылки
1. Reinsel D. The Digitization of the World from Edge to Core. Режим доступа: https://www.seagate.com/files/www-content/our-story/trends/files/idc-seagate-dataage-whitepaper.pdf (дата обращения 5.02.2022).
2. Locklear M. Astronomers use AI to reduce analysis time from months to seconds. Режим доступа: https://www.engadget.com/2017-08-30-astronomers-ai-reduce-analysis-months-to-seconds.html (дата обращения 5.02.2022).
3. Зотов М.Ю. Первое применение нейронных сетей для анализа данных орбитального детектора ТУС. Режим доступа: http://vmu.phys.msu.ru/file/2020/6/20-6-117.pdf (дата обращения 5.02.2022).
4. Казачков Е.А. Обнаружение и классификация малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой // Вестник Концерна ВКО «Алмаз - Антей». Режим доступа: http://journal.almaz-antey.ru/jour/article/ view/51 (дата обращения 5.02.2022).
© Наталенко Д. Н., 2022
