ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ АВТОМАТИЗОВАНОГО АНАЛІЗУ АЕРОЗОБРАЖЕНЬ З БПЛА НА ОСНОВІ СПЛАЙН-АПРОКСИМАЦІЇ РОЗПОДІЛУ ТЕКСТУРНИХ ОЗНАК

DOI: 10.31673/2412-4338.2026.019022

Анотація

У статті представлено інформаційну технологію автоматизованого аналізу аерознімків безпілотних літальних апаратів на основі поліноміальної сплайн-апроксимації S2,0. Запропоноване рішення дозволяє подолати високу обчислювальну складність сучасних нейромережевих підходів та неадекватність параметричних моделей при описі гетерогенних текстур реальних аерознімків. Розроблена ІТ реалізована у вигляді трирівневої модульної архітектури Core–Services–GUI з двофазним обчислювальним конвеєром, теоретична складність якого становить O(Aμ · Aσ) незалежно від роздільності вхідного зображення. Перша фаза виконує апроксимацію розподілу текстурних ознак μ × σ поліноміальним сплайном на регулярній сітці; друга — топографічний пошук мод з верифікацією аналітичним гессіаном H(S) та відбір найнадійніших псевдоміток за параметром pauto. Наукова новизна полягає у формалізації двох детермінованих стратегій кластеризації: геометричного розбиття простору ознак (Discr) через TLS-апроксимацію дискримінантних ліній та використання конвергентного потенціалу (Grad). Гарантована детермінованість результатів (σ(ARI) = 0) забезпечує стабільну відтворюваність навчальної бази між різними сесіями розмітки. Емпіричну верифікацію виконано на 120 реалізаціях дискретного поля інтенсивностей трьох датасетів аерознімків (BPLA, LoveDA, OpenEarthMap). Встановлено, що при pauto = 0,10–0,20 якість відібраних псевдоміток ARI = 0,571–0,580 вдвічі перевищує конкурентні методи без механізму confidence, а варіант з відбором 50% найбільш впевнених пікселів перевершує oracle-методи з апріорним знанням кількості класів на всіх трьох датасетах. Точність автоматичного визначення кількості кластерів |Δk| = 0,942–0,950 є втричі кращою за GMM_BIC. Log-log нахил α = 0,070 підтверджує придатність технології до SWaP-обмеженого бортового розгортання, а детермінованість σ(ARI) = 0 гарантує відтворюваність навчальної бази між сесіями розмітки. Статистичну значущість результатів підтверджено критерієм Фрідмана (p < 0,05) та ефектом Коена (d > 0,8). Запропонована ІТ забезпечує ефективне виявлення аномалій (ROC-AUC = 0,630) та є цілісним збалансованим рішенням для автоматизованих систем повітряного спостереження.

Ключові слова: БПЛА, аерознімки, сплайн-апроксимація, текстурні ознаки, кластеризація, виявлення аномалій, семантична сегментація, машинне навчання, навчання без вчителя.