WARTO PRZECZYTAĆ W ELEKTRONICE NR 6/2026
W ramach projektu „FOSGEN” Naukowcy w Akademii Wojsk Lądowych we Wrocławiu opracowali system detekcji i klasyfikacji ułożenia sylwetki (stojący, siedzący, leżący), bazujący na ulepszonym modelu YOLO v8 wytrenowanym na autorskim zbiorze danych. Współczesne Bezzałogowe Systemy Powietrzne (BSP) stanowią kluczowy element infrastruktury bezpieczeństwa w zarządzaniu sytuacjami kryzysowymi, szczególnie w strefach zagrożonych skażeniem chemicznym.
Tradycyjne podejścia do monitorowania obecności ludzi w takich obszarach, opierające się głównie na obserwacji wizualnej i podstawowych systemach alarmowych, charakteryzują się ograniczoną dokładnością, wolnym czasem reakcji oraz niską skutecznością w warunkach ograniczonej widoczności. Rosnące zapotrzebowanie na autonomiczne systemy rozpoznania skłoniło środowisko naukowe do poszukiwania bardziej zaawansowanych rozwiązań technologicznych. Rozwój algorytmów uczenia głębokiego otwiera nowe możliwości w zakresie automatycznej detekcji obiektów w czasie rzeczywistym. Szczególną popularność zyskały modele z rodziny YOLO, łączące wysoką dokładność z efektywnością obliczeniową niezbędną do pracy na pokładzie platform bezzałogowych. Architektura YOLO, wprowadzona przez Redmon et al., jako sieć neuronowa umożliwiająca jednoczesną lokalizację i klasyfikację obiektów, była wielokrotnie rozwijana, a Y OLOv8 przynosi istotne usprawnienia w zakresie dokładności i szybkości przetwarzania. Potencjał tych metod w zastosowaniach BSP potwierdzają badania Gromady et al. nad detekcją z pokładu UAV wyposażonego w SAR oraz prace Lalaka i Wierzbickiego dotyczące automatycznego wykrywania przeszkód lotniczych. Badania wskazują ponadto, że modele wytrenowane na ogólnych zbiorach danych wymagają dostrojenia do konkretnych zastosowań operacyjnych, co potwierdzają prace poświęcone planowaniu misji BSP i doborowi dedykowanych danych treningowych.
Czytaj online - materiał udostępniony w trybie Open Access
Życzymy ciekawej lektury
Bożena Lachowicz