Информация о статье
2024 г., Том 29, № 2, с.79-94
Летенков М.А., Черских Е.О.
Подход к определению пространственного положения и размеров объектов сцены по изображению с использованием методов машинного обучения
В контексте определения характеристик киберфизической среды одной из актуальных проблем является определение пространственных координат, местоположения и размеров объектов внешнего окружения. В рамках настоящего исследования для решения указанной проблемы был предложен подход к оценке пространственного положения и геометрических характеристик объектов окружающей среды по изображениям, основанный на объединении результатов детектирования объектов с использованием нейросетевой модели Mask R-CNN, а также результатов восстановления карт глубины наблюдаемой сцены с помощью камеры RealSense D435. В работе представлены авторские алгоритмы анализа геометрических свойств наблюдаемых на изображении областей сцены, а также комплементарные алгоритмы оценки размеров и положения объектов. Оценка качества разработанного подхода проводилась на основе тестового набора данных, включающего 12 000 изображений, сформированных при трех различных уровнях освещенности сцены: 100, 70 и 50 %. В рамках эксперимента найдены усредненные по классам значения относительной ошибки вычисления размеров объектов для соответствующих наборов изображений: 0.1449, 0.3313, 0.6332. Значения относительного отклонения при определении пространственного положения объектов по результатам тестирования составили 0.1010, 0.1624, 0.3477. Таким образом, предлагаемое решение позволяет успешно определять размеры и пространственное положение объектов различных классов по изображениям сцены с уровнями освещенности 100 и 70 %.
Ключевые слова: оценка размера объекта, оценка пространственного положения, обнаружение объекта, реконструкция карты глубины, R-CNN-маска, Intel RealSense
doi: 10.25743/ICT.2024.29.2.007
Библиографическая ссылка: Летенков М.А., Черских Е.О. Подход к определению пространственного положения и размеров объектов сцены по изображению с использованием методов машинного обучения // Вычислительные технологии. 2024. Т. 29. № 2. С. 79-94
|