Ключові слова
комп'ютерний зір
інтелектуальна система моніторингу
YOLO
виявлення об'єктів
глибоке навчання
відеоспостереження
штучний інтелект
автоматизація
аналіз зображень
Як цитувати
Кількість переглядів 19
Анотація
У статті розглянуто розроблення інтелектуальної системи моніторингу приміщень на базі мобільного робота із застосуванням технологій комп'ютерного зору. Актуальність дослідження зумовлена зростанням потреби в автоматизації процесів охорони та моніторингу об'єктів, підвищенні рівня безпеки й оперативності виявлення потенційно небезпечних ситуацій. Запропоновано архітектуру роботизованої системи, що поєднує мобільну платформу, відеокамеру, алгоритми глибокого навчання сімейства YOLO та програмні засоби комп'ютерного зору для виявлення людей, сторонніх предметів і аналізу навколишнього середовища в режимі реального часу. Описано основні етапи функціонування системи, які включають отримання відеопотоку, попередню обробку зображень, детектування об'єктів, аналіз результатів і формування повідомлень оператору. Розглянуто переваги використання сучасних моделей комп'ютерного зору для підвищення швидкодії та точності моніторингу порівняно з традиційними системами відеоспостереження. Запропонований підхід може бути використаний для автоматизованого контролю офісних приміщень, виробничих підприємств, складських комплексів, навчальних закладів та інших об'єктів, де необхідне цілодобове спостереження із мінімальним втручанням людини. Результати дослідження підтверджують перспективність застосування мобільних роботів і технологій комп'ютерного зору для створення інтелектуальних систем моніторингу нового покоління.
Посилання
Bochkovskiy A., Wang C.-Y., Liao H.-Y. M. YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv. 2020. DOI: https://doi.org/10.48550/arXiv.2004.10934
Jocher G., Qiu J., Chaurasia A. Ultralytics YOLO Documentation. Офіційна документація про архітектуру, навчання та застосування моделей YOLO. URL: Ultralytics YOLO Docs
Waga A., Benhlima S., Bekri A., Abdouni J., Saber F. Z. A survey on autonomous navigation for mobile robots: From traditional techniques to deep learning and large language models. Journal of King Saud University – Computer and Information Sciences. 2025. Vol. 37. Art. 198. DOI: https://doi.org/10.1007/s44443-025-00216-x
Redmon J., Farhadi A. YOLO9000: Better, Faster, Stronger. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 7263–7271. DOI: https://doi.org/10.1109/CVPR.2017.690
Macenski S., Moore T., Lu D. V., Merzlyakov A., Ferguson M. From the Desks of ROS Maintainers: A Survey of Modern & Capable Mobile Robotics Algorithms in the Robot Operating System 2. arXiv. 2023. DOI: https://doi.org/10.48550/arXiv.2307.15236
Pulli K., Baksheev A., Kornyakov K., Eruhimov V. Real-Time Computer Vision with OpenCV. Communications of the ACM. 2012. Vol. 55, No. 6. P. 61-69. DOI: https://doi.org/10.1145/2184319.2184337
Szeliski R. Computer Vision: Algorithms and Applications. 2nd ed. Cham : Springer, 2022. DOI: https://doi.org/10.1007/978-3-030-34372-9
Golroudbari A. A., Sabour M. H. Recent Advancements in Deep Learning Applications and Methods for Autonomous Navigation: A Comprehensive Review. arXiv. 2023. DOI: https://doi.org/10.48550/arXiv.2302.11089
Zeng F., Gan W., Wang Y., Liu N., Yu P. S. Large Language Models for Robotics: A Survey. CoRR. 2023. Vol. abs/2311.07226. DOI: https://doi.org/10.48550/arXiv.2311.07226
Xiao X., Liu B., Warnell G., Stone P. Motion Planning and Control for Mobile Robot Navigation Using Machine Learning: A Survey // Autonomous Robots. 2022. Vol. 46, No. 5. P. 569–597. DOI: https://doi.org/10.1007/s10514-022-10039-8.
Тези доступні на умовах Creative Commons Attribution-ShareAlike 4.0 International License.
Авторське право (c) 2026 Максим Лелека; Нарадовий Володимир Володимирович (Науковий керівник)