(50-1) 12 * << * >> * Русский * English * Содержание * Все выпуски

Распознавание малоконтрастных объектов интереса в условиях низкой освещенности на основе нейросетевых алгоритмов и данных о поляризации световых волн
А.Ю. Будко1, Н.А. Будко1, А.Д. Караев1

1ЮФУ - Южный федеральный университет, 344006, г. Ростов-на-Дону, ул. Б. Садовая, д. 105/42

  Полный текст (PDF)

DOI: 10.18287/COJ1657

ID статьи: 1657

Аннотация:
В статье представлены результаты экспериментальной оценки эффективности систем технического зрения на базе КМОП-матриц с маской из поляризационных фильтров в сравнении с КМОП-матрицами с маской Байера на основе фильтров длины волны при обнаружении низкоконтрастных объектов интереса посредством алгоритмов искусственных нейронных сетей при различной освещенности сцены. Показана возможность использования искусственных нейронных сетей с трёхканальным входом, обученных на данных с дифференциацией каналов по длине волн, для анализа данных, дифференциация которых основана на поляризации волн. Показано преимущество использования данных о поляризации световых волн по сравнению с данными о длине световой волны при распознавании низкоконтрастных объектов интереса в ряде условий. В частности, использование системы поляризационного видения позволяет расширить рабочий диапазон освещенности и повысить на несколько порядков надежность обнаружения по сравнению с системой цветного видения для различных объектов интереса в исследованном диапазоне освещенности. Также мы впервые делаем общедоступным набор данных с камер машинного зрения на базе КМОП-матрицы с маской из поляризационных фильтров и КМОП-матрицы с маской Байера, полученных в синхронном режиме с одинаковыми параметрами съемки для одной и той же сцены с различной освещенностью.

Ключевые слова:
поляризация, искусственная нейронная сеть, обработка изображений, информационные оптические технологии.

Благодарности:
Работа выполнена при поддержке гранта Российского научного фонда № 24-19-00063, «Теоретические основы и методы группового управления безэкипажными подводными аппаратами», https://rscf.ru/project/24-19-00063/ на базе ФГАОУ ВО «Южный федеральный университет».

Цитирование:
Будко, А.Ю. Распознавание малоконтрастных объектов интереса в условиях низкой освещенности на основе нейросетевых алгоритмов и данных о поляризации световых волн / А.Ю. Будко, Н.А. Будко, А.Д. Караев // Компьютерная оптика. - 2026. - Т. 50, № 1. - 1657 - DOI: 10.18287/COJ1657.

Citation:
Budko AY. Budko NA, Karaev AD. Recognition of low-contrast objects of interest in low-light conditions based on neural network algorithms and light wave polarization. Computer Optics 2026; 50(1): 1657. DOI: 10.18287/COJ1657.

References:

  1. Andriyanov NA, Dementiev VE, Tashlinskiy AG. Detection of objects in the images: from likelihood relationships towards scalable and efficient neural networks. Computer Optics 2022; 46(1): 139-159. DOI: 10.18287/2412-6179-CO-922.
  2. A. N. Katulev, A. A. Kolonskov, A. A. Khramichev, and S. V. Yagol'nikov, "Adaptive method and algorithm for detecting low-contrast objects with an optoelectronic device," Journal of Optical Technology. 81(2), 75-82 (2014). https://doi.org/10.1364/JOT.81.000075.
  3. Volchkova, D. & Dolgova, A. (2021). An algorithm for detecting low-contrast objects in different target environments. Journal of «Almaz - Antey» Air and Defence Corporation. 76-89. 10.38013/2542-0542-2021-2-76-89.
  4. Ravpreet Kaur, Sarbjeet Singh, A comprehensive review of object detection with deep learning, Digital Signal Processing, Volume 132, 2023, 103812, ISSN 1051-2004, https://doi.org/10.1016/j.dsp.2022.103812.
  5. Peng, D., Ding, W. & Zhen, T. A novel low light object detection method based on the YOLOv5 fusion feature enhancement. Sci Rep 14, 4486 (2024). https://doi.org/10.1038/s41598-024-54428-8.
  6. Xue, H.; Li, R.; Zhao, Y.; Deng, Y. Polarization Imaging Method for Underwater Low-Visibility Metal Target Using Focus Dividing Plane. Appl. Sci. 2023, 13, 2054. https://doi.org/10.3390/app13042054.
  7. Bai, X., Liang, Z., Zhu, Z. et al. Polarization-based underwater geolocalization with deep learning. eLight 3, 15 (2023). https://doi.org/10.1186/s43593-023-00050-6.
  8. How MJ and Marshall J (2019). Detecting objects in polarised light. Front. Physiol. Conference Abstract: International Conference on Invertebrate Vision. doi: 10.3389/conf.fphys.2013.25.00073.
  9. Polarization Image Sensor Technology Polarsens. Source: <https://www.sony-semicon.com/en/technology/industry/polarsens.html>.
  10. Global Shutter Image Sensor. Source: <https://www.sony-semicon.com/en/products/is/industry/global-shutter.html>.
  11. FLM640-Polar - Thermal Camera LWIR Polarized 640x512 detector. Source: <https://www.npk-photonica.ru/product/18252/>.
  12. dark_room_rgb_pol_dataset <https://zenodo.org/records/18952424>

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20