Розробка кросплатформної Моделi Єдиного Алгоритмiчного Середовища для розпiзнавання вибухонебезпечних предметiв

Kunichik O. Development of a cross-platform model of the unified algorithmic environment for the recognition of explosive objects : PhD thesis : 121 Software Engineering. Kyiv, 2025. 256 p.

Кунiчiк О.В. Розробка кросплатформної Моделi Єдиного Алгоритмiчного Середовища для розпiзнавання вибухонебезпечних предметiв. Квалiфiкацiйна наукова праця на правах рукопису.
Дисертацiя на здобуття наукового ступеня доктора фiлософiї за спецi- альнiстю 121 «Iнженерiя програмного забезпеченняк (12 — Iнформацiйнi технологiї). — Київський нацiональний унiверситет iменi Тараса Шевченка, Київ, 2025.
Забруднення територiй наземними мiнами та вибухонебезпечними предметами (ВНП) є однiєю з найсерйознiших проблем, що постають перед свiтом сьогоднi, несучи загрозу життю людей та перешкоджаючи соцiально-економiчному розвитку постраждалих вiд конфлiктiв регiонiв. До ВНП належать рiзноманiтнi боєприпаси, що мiстять вибуховi речовини, зокрема: бомби, боєголовки, ракети, артилерiйськi снаряди, мiни, торпеди, глибиннi бомби, а також саморобнi вибуховi пристрої та iншi небезпечнi предмети, здатнi вибухати за певних умов [12]. росiйська агресiя проти України призвела до масштабного забруднення територiї мiнами та боєприпасами, що не розiрвалися. Процес розмiнування та подолання наслiдкiв вiйни ускла- днює велика кiлькiсть рiзновидiв ВНП, значнi площi забруднених терито- рiй, а також рiзноманiття застосованих методiв i тактик мiнування. Широке застосування мiнних загороджень унеможливлює безпечний доступ до земель для ведення сiльського господарства, розвитку iнфраструктури та вiдбудови житла, що суттєво стримує вiдновлення деокупованих терито- рiй. Протимiнна дiяльнiсть в Українi розпочалася у 2014 роцi, коли росiя незаконно анексувала Крим та розв’язала вiйну на Донбасi. Пiсля повно- масштабного вторгнення в лютому 2022 року Україна зiткнулася з безпрецедентним рiвнем мiнного забруднення, ставши, за попереднiми оцiнками, найбiльш замiнованою країною у свiтi [13].
Традицiйнi, переважно ручнi, методи розмiнування залишаються незамiнними, проте вони пов’язанi з високим ризиком, значними часовими витратами та низькою ефективнiстю, особливо на великих площах. Пошук та знешкодження ВНП ускладнюється широким спектром їх типiв, непередбачуванiстю розташування, а також рiзноманiттям ландшафтiв та погодних умов. У цьому контекстi iнновацiйнi технологiї, зокрема методи глибокого навчання та комп’ютерного зору, вiдкривають новi можливостi для пiдвищення ефективностi та безпеки протимiнної дiяльностi.
Ця дисертацiя спрямована на вирiшення нагальної глобальної проблеми забруднення мiсцевостi вибухонебезпечними предметами шляхом розробки нового унiфiкованого алгоритмiчного середовища для виявлення ВНП у реальному часi. Дослiдження зосереджене на створеннi комплексного на- бору даних з використанням 3D друкованих копiй поширених типiв ВНП, застосуваннi передових методiв доповнення даних, навчаннi та оптимiзацiї моделi виявлення об’єктiв YOLO (було протестовано версiї 5, 8 та 11), розробцi крос-платформного додатка, а також месенджер-бота для доступного та ефективного виявлення ВНП.
Метою цiєї дисертацiйної роботи є розробка та оцiнка унiфiкованого алгоритмiчного середовища для виявлення ВНП у режимi реального часу, що використовує крос-платформний додаток, iнтерфейс месенджер-бота та хмарну обробку даних. Це дослiдження має на метi запропонувати ефе- ктивний та доступний метод виявлення ВНП, використовуючи масштабованiсть хмарних обчислень, доступнiсть мобiльних пристроїв та платформ обмiну повiдомленнями, а також потужнiсть глибокого навчання.
Для досягнення цiєї мети були поставленi наступнi завдання:
1. Розробити методологiї вирiшення нестачi даних шляхом використання методiв аугментацiї, зокрема, двоетапного пiдходу до аугментацiї.
2. Створити вичерпний набiр даних для навчання моделей комп’ютерного зору, що включає зображення 3D друкованих копiй найпоширенiших в Українi протипiхотних мiн, отриманих за рiзних погодних умов (яскраве сонце, хмарнiсть, дощ, снiг тощо).
3. Навчити та оптимiзувати моделi комп’ютерного зору YOLOv8 та YOLOv11 на створеному наборi даних, використовуючи збiльшену кiлькiсть та рiзноманiтнiсть зображень, отриманих на попереднiх етапах, застосовуючи розроблену двоетапну методологiю аугментацiї та точно налаштовуючи гiперпараметри моделi.
4. Оцiнити ефективнiсть навчених моделей на реальних зображеннях ВНП з окремого набору даних, отриманого вiд професiйних саперiв.
5. Спроектувати, реалiзувати та оцiнити зручний крос-платформний додаток, здатний як до онлайн (з використанням API Google Cloud Platform), так i до офлайн (з використанням оптимiзованої моделi на пристрої) виявлення ВНП.
6. Розробити та iнтегрувати iнтерфейс месенджер-бота, який взаємо- дiє з тим самим API Google Cloud Platform для виявлення ВНП, забезпечуючи альтернативну точку доступу до системи.
7. Реалiзувати в рамках крос-платформного застосунку можливiсть виправлення результатiв розпiзнавання шляхом маркування об’єктiв та вибору правильного типу ВНП, що сприятиме постiйному вдосконаленню моделi.
8. Створити безпечний механiзм передачi даних у додатку для надсилання операцiйних даних, включаючи вiдгуки користувачiв та виправлення, на центральний сервер для сприяння безперервному вдосконаленню моделей машинного навчання.
Об’єктом дослiдження є процес розпiзнавання вибухонебезпечних предметiв (ВНП), що включає побудову, навчання, оптимiзацiю та розгортання вiдповiдних моделей глибокого навчання, а також створення Моделi Єдиного Алгоритмiчного Середовища (МЄАС) для iнтеграцiї цих моделей у крос-платформенний застосунок та месенджер-бот.
Модель Єдиного Алгоритмiчного Середовища (МЄАС) – це алгоритмiчна архiтектура, що дозволяє створювати унiверсальнi системи для розв’язання комплексу взаємопов’язаних задач на базi єдиної алгоритмi- чної платформи або каркасу (framework). В основi МЄАС лежить використання спiльних структур даних та унiфiкованого набору алгоритмiчних iнструментiв i процедур, що забезпечує єдиний пiдхiд до вирiшення рiзноманiтних проблем у межах однiєї системи. Така архiтектура може бути реалiзована рiзними способами, наприклад, через рекурсивно-паралельний алгоритм або як мульти-алгоритмiчна платформа, але ключовим залишається спiльне середовище, яке уможливлює ефективне розв’язання широкого класу прикладних задач шляхом унiфiкацiї та перевикористання обчислювальних компонентiв.
Предмет дослiдження є моделi глибокого навчання для розпiзнавання ВНП, методи аугментацiї даних, технологiї створення наборiв даних, методи збору даних, а також архiтектура мультиплатформної системи ви- явлення ВНП, орiєнтованої на роботу в режимах онлайн та офлайн.
Методологiя
Застосована в цiй дисертацiї методологiя дослiдження охоплює багатогранний пiдхiд, що поєднує методи збору й обробки даних, розробки моделей та впровадження систем. Основнi складовi методологiї включають:
— Збiр та пiдготовка даних: Це включає отримання зображень ВНП рiзними методами, зокрема створення оригiнального набору даних на основi 3D друкованих копiй (Роздiл 4), збiр зображень реальних мiн вiд професiйних саперiв, а також, потенцiйно, вико- ристання краудсорсингової платформи, iнтегрованої в розроблений додаток (Роздiл 6).
— Аугментацiя даних: Для збiльшення розмiру та рiзноманiтностi навчального набору даних застосовується двоетапна стратегiя аугментацiї, детально описана в Роздiлi 3. Вона включає як базовi трансформацiї (наприклад, обертання, масштабування, перевертання), так i просунутi методи (наприклад, MixUp, CutMix, мозаїка).
— Розробка та адаптацiя моделей глибокого навчання: Дослiдження зосереджено на розробцi, оптимiзацiї та адаптацiї моделей глибокого навчання для виявлення ВНП. Спочатку була використана архiтектура YOLOv8. Процес включав налаштування гiперпараметрiв, навчання моделi та перевiрку з використанням доповненого набору даних 3D друкованих копiй. Згодом, у Роздiлi 7, методологiю було розширено для включення нового, ранiше не тренованого типу ВНП з використанням моделi YOLOv11, демонструючи адаптивнiсть системи до мiнливих реальних сценарiїв.
— Розробка крос-платформного застосунку: Крос-платформний застосунок розроблено з використанням фреймворку Qt, QML та C++ (Роздiл 6). Застосунок включає навченi моделi YOLO як для онлайн (на основi хмарних сервiсiв), так i для офлайн (на пристрої) виявлення ВНП, а також надає можливостi для взаємодiї з користувачем, анотацiї даних та зворотного зв’язку.
— Хмарна iнфраструктура та розподiленi системи: Система використовує Google Cloud Platform (GCP) для забезпечення масштабованостi та надiйностi роботи. Це включає використання Google Cloud Functions для хмарних обчислень, Google Cloud Storage для зберiгання даних та Google Firestore для управлiння базами даних.
— Об’єктно-орiєнтоване програмування: Програмнi компоненти системи, включаючи крос-платформний застосунок та деякi частини хмарної iнфраструктури, реалiзованi з використанням принципiв об’єктно-орiєнтованого програмування на C++ та Python для забезпечення модульностi, зручностi обслуговування та можливостi повторного використання коду.
— Оцiнка та валiдацiя: Ефективнiсть розроблених моделей i застосунку ретельно оцiнюється з використанням стандартних метрик, таких як точнiсть, повнота, mAP та iнших (Роздiл 2.9). Експери- менти проводяться як на синтетичних наборах даних (3D друкованi копiї), так i на реальних зображеннях ВНП для оцiнки ефективностi та узагальнювальної здатностi системи.
На початку дослiдження було проведено огляд iснуючих робiт у галузi виявлення та розпiзнавання вибухонебезпечних предметiв (ВНП), що дозволило виокремити основнi проблеми та виклики, з якими стикаються дослiдники при розробцi сучасних методiв розпiзнавання ВНП на основi комп’ютерного зору. Аналiз виявив, що моделi глибокого навчання здатнi забезпечити високу точнiсть та швидкiсть розпiзнавання, проте критичною перешкодою для їх ефективного навчання є гостра нестача якiсних навчальних даних у цiй предметнiй областi. Для подолання проблеми обмежених даних було використано 3D друк моделей, що вiдтворюють вiзуальнi характеристики протипiхотних мiн, поширених в Українi. Також було дослiджено роль методiв аугментацiї (штучного розширення даних) у покращеннi результатiв роботи моделей глибокого навчання. Розглянуто широкий спектр методiв аугментацiї, вiд базових просторових перетворень i перетворень на рiвнi пiкселiв до просунутих методiв, таких як MixUp, CutMix.
Було запропоновано двоетапну стратегiю аугментацiї (див. Роздiл 3), яка, як було продемонстровано, пiдвищила повноту (recall) моделi YOLOv8 з 89,2% (без аугментацiї) до 92,6% (з двоетапною аугментацiєю) на тестовому наборi даних. Методологiя була спочатку розроблена для моделi YOLOv5, а згодом успiшно адаптована до новiших версiй — YOLOv8, а та- кож до YOLOv11. При переходi вiд моделi YOLOv8 до YOLOv11 було про- демонстровано значну перевагу двоетапного методу аугментацiї. Зокрема, застосування аугментацiї типу «мозаїкак як на першому, так i на другому етапi, покращило показники точнiстi (precision) з 95% до 98%, а повноту з 92% до 97% (див. Таблицю 7.1). Отриманi результати пiдкреслюють ефективнiсть архiтектури YOLO, особливо у поєднаннi з розробленою двоетапною стратегiєю аугментацiї. Однак дослiдження також висвiтлює виклики i обмеження, пов’язанi з аугментацiєю даних при виявленнi ВНП, такi як ризик створення нерелевантних або шкiдливих аугментацiй, надмiрна залежнiсть вiд аугментацiї та необхiднiсть забезпечення збалансованого представлення всiх класiв у навчальному наборi даних. Результати цього етапу дослiдження будуть використанi у наступних роздiлах, присвячених створенню датасету на основi 3D друку синтетичних зображень ВНП i розробцi крос-платформної системи, яка використовує мобiльний додаток як для виявлення ВНП (розпiзнавання об’єктiв на зображеннях), так i для збору даних (з можливiстю редагування та вивантаження на сервер в додатку) з метою вдосконалення моделi.
Пiсля формулювання стратегiї застосування методiв аугментацiї (Роз- дiл 3) дослiджено iснуючi методи створення наборiв даних iз зображень ВНП. Серед розглянутих методiв створення датасетiв обрано використання тривимiрного друку для створення копiй поширених типiв ВНП та фотографування цих копiй. Отриманi 3D друкованi копiї використовуються для створення датасету, проводиться ручна анотацiя даних з розмiткою меж об’єктiв (bounding boxes). Потiм проводяться експерименти з навчання моделей глибокого навчання, зокрема YOLOv8, де також використовується розроблена ранiше методика застосування методiв аугментацiї. Отриманi моделi тестуються на зображеннях справжнiх ВНП, отриманих вiд профе- сiйних саперiв. На основi результатiв тестування робиться висновок, що, хоча отриманi моделi i демонструють можливiсть розпiзнавання ВНП, їх необхiдно продовжувати покращувати, зокрема шляхом розширення навчального набору даних за допомогою додаткових зображень, отриманих вiд професiйних саперiв. Створений синтетичний набiр даних, що складає- ться з 1438 фотографiй 3D друкованих копiй п’яти поширених типiв ВНП, продемонстрував свою ефективнiсть у навчаннi моделi YOLOv8, досягнувши точностi 98,0% i повноти 98,2% на тестовому наборi даних.
Результати дослiдження також пiдкреслюють потенцiал 3D друку у створеннi рiзноманiтних i репрезентативних навчальних наборiв даних для навчання моделей комп’ютерного зору, пропонуючи безпечний, етичний та економiчно ефективний пiдхiд як для дослiджень, так i для практичної пiдготовки. Незважаючи на високi показники на синтетичних даних, ви- явлено рiзницю в ефективностi при порiвняннi з показниками на реальних зображеннях ВНП, що пiдкреслює необхiднiсть подальшого вдосконалення процесу 3D друку та генерацiї даних. Аналiз продуктивностi окремих класiв також показує значнi вiдмiнностi в точностi та повнотi розпiзнавання мiж рiзними типами ВНП, що наголошує на необхiдностi подальшого дослiдження ознак, якi використовуються моделлю для класифiкацiї, i методiв покращення здатностi моделi розрiзняти наземнi ВНП i вiзуально схожi фоновi об’єкти та смiття.
Наступним етапом стала розробка хмарного сервiсу з iнтегрованим iнтерфейсом месенджер-бота, що забезпечує практичний доступ до навчених моделей виявлення ВНП. Цей сервiс iнтегровано з популярною платформою обмiну повiдомленнями Telegram, яка пiдтримує створення ботiв. Такий вибiр платформи зумовлений її широкою розповсюдженiстю, надiйним API для створення ботiв та можливостями наскрiзного шифрування. Система використовує навчену модель YOLOv8 та iнтегрована з GCP для ефективної обробки даних i масштабованостi. Бот розроблений для iдентифiкацiї рiзних типiв ВНП з високою точнiстю та надає користувачам додаткову iнформацiю завдяки iнтеграцiї з Google Gemini. Ця функцiя покращує розумiння користувачем виявлених загроз i сприяє пiдвищенню обiзнаностi про мiнну безпеку.
З метою покращення показникiв роботи моделей та розширення можливостей їх практичного застосування, було розроблено мультиплатформений додаток, здатний функцiонувати в рiзних операцiйних системах. У додатку використовуються ранiше розробленi та навченi моделi. Тестування додатку проводилося за допомогою волонтерiв, серед яких були професiйнi сапери та вiйськовi iнженери. Створений крос-платформний додаток для виявлення ВНП у режимi реального часу є цiнним iнструментом для груп розмiнування, гуманiтарних органiзацiй та цивiльного населення на територiях, що постраждали вiд ВНП. Додаток пiдтримує роботу як в онлайн, так i в офлайн-режимах, використовуючи навченi на 3D друкованих копiях ВНП моделi глибокого навчання. На тестовому наборi даних додаток демонструє повноту розпiзнавання 88% при середньому часi обробки одного зображення 2,1 секунди. Важливою особливiстю додатку є можливiсть коригування результатiв розпiзнавання безпосередньо користувачем. Це дозволяє збирати данi зворотного зв’язку для виправлення помилок моделi та поповнення навчальної вибiрки. Додаток також забезпечує передачу результатiв виявлення, включаючи журнали роботи, локальнi копiї баз даних, а також зображення (як оригiнальнi, так i модифiкованi користувачем) до вiддаленого серверу. Отриманi данi є цiнним джерелом iнформацiї для подальшого вдосконалення моделей. Майбутнi iнiцiативи з розвитку включатимуть розширення кiлькостi типiв ВНП, що розпiзнаються, вдосконалення iснуючої моделi з урахуванням зiбраних даних та вiдгукiв користувачiв. Постiйна розробка i вдосконалення цiєї програми може зробити значний внесок у глобальнi зусилля з розмiнування i пiдвищити безпеку громад.
Спираючись на попереднi роздiли, розробленi програмнi компоненти, включаючи крос-платформний додаток та месенджер-бот, разом утворюють єдине алгоритмiчне середовище. Це середовище пiдтримує централiзоване навчання, розгортання та постiйне вдосконалення моделей глибокого навчання для широкого спектру завдань виявлення ВНП, включаючи навчання користувачiв, розпiзнавання в режимi реального часу та збiр анотованих користувачами даних для безперервного покращення моделi.
Дослiдження включає декiлька ключових етапiв. По-перше, проведено комплексний огляд iснуючих методiв виявлення ВНП, а також поглиблений аналiз проблем, пов’язаних з обмеженiстю даних, та потенцiйних шляхiв їх вирiшення. По-друге, розроблено та проведено порiвняльний аналiз рiзних архiтектур моделей глибокого навчання, зокрема YOLOv5, YOLOv8 та YOLOv11. По-третє, розроблено програмний комплекс, що включає крос- платформний додаток та месенджер-бот, та проведено оцiнку його ефективностi в умовах, наближених до реальних. Очiкується, що результати цього дослiдження зроблять вагомий внесок у вирiшення проблеми мiнної небезпеки, сприяючи вiдновленню безпеки i добробуту населення в Українi та iнших постраждалих регiонах.
Основна увага в дослiдженнi придiляється методам виявлення на осно- вi комп’ютерного зору, що використовують зображення у видимому свiтлi. Проте, запропонованi пiдходи можуть бути адаптованi для застосування з iншими типами сенсорiв, такими як iнфрачервонi камери, лiдари, магнiто- метри та георадари. Ефективнiсть розроблених методiв оцiнюється шляхом навчання та тестування моделей машинного навчання на зiбраних наборах даних, якi було розширено iз застосуванням описаних у Роздiлi 3 методiв аугментацiї, з використанням метрик, описаних у Роздiлi 2.9.
Наукова новизна одержаних результатiв полягає у наступному:
1. Вперше розроблено нову алгоритмiчну платформу на основi Моделi Єдиного Алгоритмiчного Середовища (МЄАС) для розпiзнавання вибухонебезпечних предметiв (ВНП), що базується на загальних принципах обробки даних, єдиних методиках аугментацiї, створення наборiв даних, анотування та налаштування гiперпараметрiв моделей глибокого навчання. МЄАС iнтегрує крос-платформний застосунок (з можливостями офлайн-роботи та напiвавтоматичного анотування), месенджер-бот та хмарний API, забезпечуючи збiр даних, навчання, розгортання та iтеративне вдосконалення моделей.
2. Вперше реалiзовано функцiю офлайн розпiзнавання ВНП, iнтегровану в крос-платформенний застосунок, що дозволяє проводити виявлення вибухонебезпечних предметiв на мобiльних пристроях без пiдключення до мережi Iнтернет.
3. Вперше реалiзовано iнтегрований у крос-платформний застосунок механiзм напiвавтоматичного анотування, що дозволяє користувачам коригувати результати розпiзнавання (додавати, видаляти, змiнювати мiтки та межi об’єктiв) i вiдправляти анотованi данi для подальшого вдосконалення моделi.
4. Вперше для задач розпiзнавання ВНП створено хмарний API на базi GCP, що забезпечує онлайн розпiзнавання та iнтегрований з крос-платформним застосунком i месенджер-ботом; цей бот, окрiм розпiзнавання, надає додаткову iнформацiю про виявленi об’єкти за допомогою великої мовної моделi Google Gemini.
5. Запропоновано методику формування навчальних наборiв даних шляхом використання 3D-друкованих копiй, що вiдтворюють вiзуальнi характеристики ВНП, поширених в Українi, з подальшим те- стуванням навчених моделей на окремому наборi реальних ВНП, наданих фахiвцями з розмiнування та волонтерами.
6. Запропоновано методику застосування аугментацiї даних шляхом розробки та впровадження двоетапної аугментацiї, оптимiзованої для моделей сiмейства YOLO (YOLOv5, YOLOv8, YOLOv11).
Теоретичне значення одержаних результатiв полягає у наступному:
• Розширення методологiї створення навчальних даних: За- пропоновано та експериментально пiдтверджено ефективнiсть методологiї створення навчальних наборiв даних для розпiзнавання ВНП на основi 3D-друкованих реплiк, що дозволяє генерувати контрольованi та безпечнi данi для навчання моделей глибокого навчання. Ця методологiя може бути адаптована для iнших задач комп’ютерного зору, де iснує дефiцит реальних даних.
• Вдосконалення методiв аугментацiї: Розроблено та валiдовано двоетапну стратегiю аугментацiї даних, оптимiзовану для моделей сiмейства YOLO. Ця стратегiя продемонструвала значне покращення показникiв повноти розпiзнавання, що є критично важливим для виявлення ВНП.
• Розвиток концепцiї єдиного алгоритмiчного середовища:
Запропоновано та реалiзовано Модель Єдиного Алгоритмiчного Середовища (МЄАС), яка забезпечує iнтеграцiю рiзних етапiв розробки систем розпiзнавання (збiр даних, навчання, розгортання, зворотний зв’язок) в єдиний, керований процес. Ця модель може слугувати основою для створення подiбних систем в iнших прикладних областях.
Практичне значення одержаних результатiв полягає у розробцi готового до впровадження програмного комплексу для розпiзнавання вибухонебезпечних предметiв (ВНП), що має такi переваги:
• Пiдвищення ефективностi та безпеки гуманiтарного розмiнування: Крос-платформний застосунок з можливiстю офлайн- розпiзнавання дозволяє саперам оперативно iдентифiкувати ВНП на мобiльних пристроях безпосередньо в польових умовах, навiть за вiдсутностi iнтернет-з’єднання. Середнiй час розпiзнавання зображення становить 2.1 секунди, що забезпечує роботу в режимi, близькому до реального часу.
• Спрощення процесу навчання та iнформування: Месенджер-бот з iнтегрованою мовною моделлю Google Gemini може бути використаний для навчання саперiв, вiйськовослужбовцiв та цивiльного населення, надаючи iнформацiю про типи ВНП та правила безпечної поведiнки.
• Забезпечення швидкого збору та оновлення даних: Iнтегрований у застосунок механiзм напiвавтоматичного анотування дозволяє оперативно збирати данi про новi типи ВНП, помилки розпiзнавання та особливостi реальних умов, що сприяє постiйному вдосконаленню моделей.
• Можливiсть iнтеграцiї з iншими системами: Розроблений хмарний API може використовуватись як самостiйно для онлайн розпiзнавання, так i бути iнтегрованим у iншi системи, наприклад, для автоматизацiї процесу розмiнування з використанням БПЛА та роботiв.
• Потенцiал для масштабування та адаптацiї: Розроблена система може бути адаптована для розпiзнавання iнших типiв загроз (не лише ВНП) та для використання в iнших регiонах.
Результати цього дослiдження мають значний потенцiал для практичного застосування у сферi гуманiтарного розмiнування, особливо в Українi та iнших регiонах, що постраждали вiд збройних конфлiктiв. Розроблений крос-платформний програмний комплекс, який iнтегрує iнновацiйнi методи збору та аналiзу даних, сприяє вирiшенню нагальної проблеми мiнної небезпеки та матиме позитивний вплив на вiдбудову та розвиток постраждалих територiй.
Запропонованi в роботi пiдходи до збору та аугментацiї даних, включаючи iнновацiйне використання 3D друку для створення реалiстичних моделей ВНП, дозволяють формувати високоякiснi та репрезентативнi навчальнi набори. Це покращує точнiсть та надiйнiсть моделей машинного навчання, що є критично важливим для ефективного та точного виявлення i локалiзацiї ВНП.
Розроблений крос-платформний застосунок сприяє залученню широкого кола фахiвцiв та волонтерiв до процесу збору iнформацiї про ВНП, забезпечуючи її актуальнiсть та вiдповiднiсть реальним умовам. Це дозволяє оперативно реагувати на змiни в мiннiй обстановцi та пiдвищити ефективнiсть протимiнної дiяльностi.
Iнтеграцiя навчених моделей машинного навчання у багатоплатформ- ний програмний комплекс створює потужний iнструмент для автоматизацiї процесу виявлення та локалiзацiї ВНП. Це дозволить суттєво знизити ризики для особового складу, залученого до операцiй з розмiнування, та значно прискорити процес очищення територiй вiд мiн та iнших вибухонебезпечних предметiв. Крiм того, програмний комплекс може бути використаний для монiторингу та контролю ефективностi операцiй з розмiнування, а також для планування подальших заходiв.
Використання розробленої системи сприятиме пришвидшенню вiдбудови постраждалих регiонiв, вiдкриваючи доступ до сiльськогосподарських угiдь, вiдновлюючи iнфраструктуру та створюючи умови для сталого економiчного розвитку. Зменшення кiлькостi жертв серед цивiльного населення та вiйськовослужбовцiв завдяки пiдвищенню точностi та безпеки виявлення ВНП є найважливiшим гуманiтарним аспектом дослiдження.
Отриманi результати та розробленi технологiї мають потенцiал для широкого застосування не лише в Українi, але й в iнших країнах, якi стикаються з проблемою мiнної небезпеки. Запропонованi пiдходи можуть бути адаптованi до рiзних типiв мiсцевостi та умов, що робить їх унiверсальним iнструментом для гуманiтарного розмiнування. Таким чином, ця дисер- тацiйна робота робить вагомий внесок у вирiшення глобальної проблеми мiнної небезпеки та сприяє вiдновленню безпеки i добробуту населення у постраждалих вiд вiйни регiонах.
Особистий висновок здобувача: Дисертацiя є самостiйною науко- вою працею, в якiй висвiтленi власнi iдеї i розробки автора, що дозволили вирiшити поставленi завдання. Робота мiстить теоретичнi та методичнi по- ложення i висновки, сформульованi дисертантом особисто. Використанi в дисертацiї iдеї, положення чи гiпотези iнших авторiв мають вiдповiднi посилання i використанi лише для пiдкрiплення iдей здобувача. Автор провiв дослiдження i експерименти самостiйно, створений програмний продукт є повнiстю результатом роботи дисертанта.