Известия Тульского государственного университета. Технические науки, 2019, № 1

Министерство науки и высшего образования Российской Федерации 
 
Федеральное государственное бюджетное  
образовательное учреждение высшего образования  
«Тульский государственный университет» 
 

 
 
 
16+ 
ISSN 2071-6168 
 
 
 
 
 
 
 
ИЗВЕСТИЯ  
ТУЛЬСКОГО ГОСУДАРСТВЕННОГО 
УНИВЕРСИТЕТА 
 
 
ТЕХНИЧЕСКИЕ НАУКИ 
 
 
Выпуск 1 
 
 
 
 
 
 
 
 
 
 
 
 
Тула 
Издательство ТулГУ 
2019 

РЕДАКЦИОННЫЙ СОВЕТ:                                                                                                     ISSN 2071-6168 

Председатель  
Грязев М.В., д-р техн. наук, ректор Тульского государственного университета. 
Заместитель председателя  
Воротилин М.С., д-р техн. наук, проректор по научной работе. 
Ответственный секретарь  
Фомичева О.А., канд. техн. наук, начальник Управления научно-исследовательских работ. 
Главный редактор 
Прейс В.В., д-р техн. наук, заведующий кафедрой. 

Члены редакционного совета: 
Батанина И.А., д-р полит. наук,  –                                    
отв. редактор серии «Гуманитарные науки»; 
Берестнев М.А., канд. юрид. наук, –                                   
отв. редактор серии «Экономические и юридические 
науки». Часть 2. «Юридические науки»; 
Борискин О.И., д-р техн. наук, –                                               
отв. редактор серии «Технические науки»; 
Егоров В.Н., канд. пед. наук, –  
отв. редактор серии «Физическая культура. Спорт»;

Заславская О.В., д-р пед. наук, –                                       
отв. редактор серии «Педагогика»; 
Качурин Н.М., д-р техн. наук, –                                             
отв. редактор серии «Науки о Земле»; 
Понаморева О.Н., д-р хим. наук, –                                   
отв. редактор серии «Естественные науки»; 
Сабинина А.Л., д-р экон. наук, –                                       
отв. редактор серии «Экономические и юридические 
науки». Часть 1. «Экономические науки».  
 
РЕДАКЦИОННАЯ КОЛЛЕГИЯ: 

Ответственный редактор 
Борискин О.И., д-р техн. наук (ТулГУ, г. Тула). 
Заместитель ответственного редактора 
Ларин С.Н., д-р техн. наук (ТулГУ, г. Тула). 
Ответственный секретарь 
Яковлев Б.С., канд. техн. наук (ТулГУ, г. Тула). 

Члены редакционной коллегии: 
Александров А.Ю., д-р техн. наук (Ковровская
государственная технологическая академия  
им. В.А. Дегтярева, г. Ковров); 
Баласанян Б.С., д-р техн. наук (Государственный 
инженерный университет Армении, г. Ереван,  
Армения); 
Васин С.А., д-р техн. наук (ТулГУ, г. Тула); 
Дмитриев А.М., д-р техн. наук (Московский  
государственный технический университет  
«СТАНКИН», г. Москва); 
Запомель Я., д-р техн. наук (Технический  
университет Остравы, г. Острава, Чехия); 
Колтунович Т.Н., д-р техн. наук (Люблинский 
технологический университет, г. Люблин, Польша); 
Кристаль М.Г., д-р техн. наук (Волгоградский 
государственный технический университет,  
г. Волгоград); 
 

Ларкин Е.В., д-р техн. наук (ТулГУ, г. Тула); 
Мельников В.Е., д-р техн. наук (Национальный 
исследовательский университет «МАИ», г. Москва); 
Мещеряков В.Н., д-р техн. наук (Липецкий  
государственный технический университет,  
г. Липецк); 
Мозжечков В.А., д-р техн. наук  
(АО «Тулаэлектропривод», г. Тула); 
Распопов В.Я., д-р техн. наук (ТулГУ, г. Тула); 
Савин Л.А., д-р техн. наук (Орловский государственный 
технический университет, г. Орел); 
Степанов В.М., д-р техн. наук (ТулГУ, г. Тула); 
Сычугов А.А., канд. техн. наук (ТулГУ, г. Тула); 
Трегубов В.И., д-р техн. наук (АО «НПО «СПЛАВ»,  
г. Тула); 
Яцун С.Ф., д-р техн. наук (Юго-Западный  
государственный университет, г. Курск). 

 
Сборник зарегистрирован в Федеральной службе по надзору в сфере связи, информационных технологий  
и массовых коммуникаций (Роскомнадзор). ПИ № ФС77-61104 от 19 марта 2015 г; 
Подписной индекс сборника 27851 по Объединённому каталогу «Пресса России»; 
Сборник включен в «Перечень рецензируемых научных изданий, в которых должны быть опубликованы научные 
результаты диссертаций на соискание учёной степени кандидата наук, на соискание учёной степени доктора наук», 
утвержденный ВАК Минобрнауки РФ, по следующим научным специальностям: 
05.02.02 Машиноведение системы приводов и детали машин;
05.02.07 Технология и оборудование механической и физико-технической обработки;
05.02.08 Технология машиностроения; 
05.02.09 Технологии и машины обработки давлением;
05.02.13 Машины, агрегаты и процессы (по отраслям);
05.02.23 Стандартизация и управление качеством продукции;
05.09.03 Электротехнические комплексы и системы;
05.13.01 Системный анализ, управление и обработка информации (по отраслям);
05.13.06 Автоматизация и управление технологическими процессами и производствами (по отраслям); 
05.13.11 Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей.
 
© Авторы научных статей, 2019 
© Издательство ТулГУ, 2019 

Системный анализ, управление и обработка информации 
 

 
3

 
 
 
 
 
 
СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА 
ИНФОРМАЦИИ 
 
 
 
УДК 004.896; 004.932.72'1 
 
АЛГОРИТМИЧЕСКИЙ КОМПЛЕКС СПЕЦИАЛЬНОГО 
ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ ЗАЩИТЫ 
ЗАКРЫТЫХ ЗОН ОТ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ 
АППАРАТОВ 
 
В.А. Бондаренко, Г.Э. Каплинский, В.А. Павлова,  
М.В. Созинова, В.А. Тупиков 
 
Рассматриваются подходы к разработке алгоритмов для применения в составе комплексов специального программного обеспечения оптико-электронных систем. 
Целью исследования являются расширение области применения и повышение эффективности оптико-электронных систем в части технического зрения в задачах защиты закрытых территорий от несанкционированного проникновения беспилотных летательных аппаратов. Разработанное алгоритмическое обеспечение опробовано в составе оптико-электронных систем комплекса защиты объектов от беспилотных летательных аппаратов и продемонстрировало высокую эффективность. 
Ключевые слова: оптико-электронные системы, алгоритм, обработка изображений, автоматическое обнаружение объектов, автосопровождение, распознавание объектов, искусственная нейронная сеть. 
 
Введение. Стремительное развитие технологий беспилотной авиации значительно повысило автономность, дальность действия и спектр 
решаемых беспилотными летательными аппаратами (БЛА) задач. При этом 
стоимость БЛА, а также необходимый минимум знаний и навыков для их 
применения неуклонно уменьшаются. Современные БЛА способны автономно выполнять сложные задачи без непосредственного участия оператора. Грузоподъемность даже кустарно выполненных БЛА позволяет вооружать их как малоразмерными боеприпасами, так и разнообразной разведывательной аппаратурой. В связи с этим особенно остро встает вопрос защиты важных объектов от несанкционированного проникновения БЛА [1]. 
При этом малый размер, высокая маневренность и автономность БЛА, со

Известия ТулГУ. Технические науки. 2019. Вып. 1 
 

 
4

здают необходимость в разработке сложных многоступенчатых автоматических комплексов обнаружения, распознавания и подавления бортовых 
систем БЛА. 
АО “НПП “АМЭ” совместно с ООО “СТЦ” разработан программноаппаратный комплекс наземного базирования для защиты объектов от 
БЛА, включающий: 
- радиопеленгатор и аппаратуру анализа радиосигналов;  
- комбинированную оптико-электронную систему (КОЭС) в составе 
широкопольной панорамной (ОЭС ШП) и узкопольной подсистем (ОЭС УП) 
оптико-электронного мониторинга; 
- аппаратуру формирования и постановки помех каналам управления, передачи видеоинформации и спутниковой навигации; 
- АРМ оператора. 
Система радиопеленгации осуществляет обнаружение сигналов потенциальных объектов-нарушителей охраняемой зоны, пеленгование обнаруженных источников радиоизлучений и их пространственную селекцию 
на дальних подступах к охраняемому объекту (на дальности до 2 км). 
Комбинированная оптико-электронная система переназначена для 
автоматического обнаружения, селекции, распознавания и автосопровождения объектов. Система выполняет обнаружение и селекцию как автономно, так и по пеленгу от системы радиопеленгации, дальность обнаружения БЛА составляет от 200 до 500 м (в зависимости от размеров БЛА). 
ОЭС ШП при обнаружении несанкционированных ЛО в охраняемой зоне передает угловые координаты всех обнаруженных объектов ОЭС 
УП автоматического обнаружения, распознавания и сопровождения. 
Внешний вид комбинированной оптико-электронной системы представлен 
на рис. 1. 

 
 
Рис. 1. Конструктивное исполнение элементов КОЭС 

Системный анализ, управление и обработка информации 
 

 
5

ОЭС УП предназначена для автоматического обнаружения, распознавания и сопровождения объектов. ОЭС УП принимает пеленги от системы радиопеленгации и угловые координаты от ОЭС ШП, производит 
поиск объектов по предоставленным пеленгам, их автоматическое распознавание и, в случае классификации объекта как БЛА, переходит в режим 
автоматического сопровождения. Характеристики системы представлены в 
таблице. 
 
Характеристики системы ближнего автоматического 
теле-тепловизионного обнаружения, распознавания  
и сопровождения в изменяемом поле зрения 
 
Параметры 
Значения 

Максимальная дальность обнаружения 
малоразмерного БЛА 
500 м 

Максимальная скорость разворота 
60 град/с 

СКО измерения угловых координат 
Не более 1 угл. мин. 

Каналы 
Телевизионный, тепловизионный 

 
Алгоритмическое обеспечение ОЭС ШП 
  
Алгоритм формирования панорамного изображения. Данный 
алгоритм осуществляет совмещение изображений, получаемых от камер 
кругового обзора в единое бесшовное панорамное изображение, в несколько этапов: 
- устранение дисторсий на получаемых с камер изображениях; 
- автоматическая коррекция яркости и контраста изображений; 
- объединение исправленных изображений в единое панорамное изображение. 
Для устранения дисторсий используется стандартная модель аппроксимации радиальной дисторсии, описываемая выражением 

𝑥− 𝑥𝑦− 𝑦= 𝐿(𝑟) 𝑥 − 𝑥𝑦 − 𝑦,                                         (1) 

где (𝑥, 𝑦) – координаты искажённой точки изображения, (𝑥, 𝑦) – координаты исправленной точки изображения, (𝑥с, 𝑦с) – центр модели дисторсии 
фотоприёмника, обычно расположенный в центре изображения.  
Дистанция от каждой точки изображения до центра модели радиальной дисторсии фотоприёмника r определяется по формуле: 

𝑟 = (𝑥 − 𝑥)− (𝑦 − 𝑦), 

L(r) – функция, определяющая форму дисторсий в применяемой модели, 
обычно аппроксимируется рядом Тейлора как 

𝐿(𝑟) = 𝑘+ 𝑘𝑟 + 𝑘𝑟+ 𝑘𝑟+ .  .  . , 

Известия ТулГУ. Технические науки. 2019. Вып. 1 
 

 
6

где набор 𝒌 = (𝑘, 𝑘, … , 𝑘) определяет параметры дисторсии.  
Точность модели определяется числом 𝑁 используемых членов аппроксимирующего ряда. 
Для определения параметров модели 𝒌 (калибровки) используется 
общепринятый подход [2, 3], в основе которого лежит наложение требований на проекции трёхмерных линий, которые должны быть прямыми линиями на изображениях.  
Калибровка выполняется один раз для данной оптической системы, 
после чего одни и те же калибровочные параметры используются для 
устранения дисторсий на каждом изображении, поступающем с откалиброванного фотоприёмника. 
После определения параметров модели дисторсии выражение (1) применяется для формирования исправленного 
изображения. 
Для всех исправленных изображений выполняется эквализация их 
гистограмм [4], а также применяются другие алгоритмы улучшения изображений в случае необходимости, затем из них формируется результирующее панорамное изображение. 
Алгоритм автоматического обнаружения объектов на панорамном изображении. Для автоматического обнаружения малоразмерных 
объектов на панораме, формируемой со стационарно установленной оптико-электронной системы, разработан комплексный двухэтапный алгоритм. 
На первом этапе алгоритма производится вычитание усреднённого 
панорамного изображения фоноцелевой обстановки из текущего панорамного изображения. По результатам вычитания формируется бинарное разностное изображение, на котором нули означают фон, а единицы – подозрительные на объекте зоны. 
Усреднённое панорамное изображение формируется по следующей 
формуле: 

𝑏𝑔= 𝑏𝑔∗ 𝜆 + 𝐼𝑚∗ (1 − 𝜆), 

где 𝑏𝑔– усреднённое панорамное изображение на текущем кадре, 𝑏𝑔– 
усреднённое панорамное изображение на предыдущем кадре,  𝐼𝑚– текущее панорамное изображение, а 𝜆 ∈ [0; 1] устанавливает время накопления 
фона, что влияет на соотношение  

Точность обнаружения / Число ложных срабатываний. 
Абсолютная разность между текущим изображением и усреднённым панорамным изображениями определяется как 

𝑑 = |𝑏𝑔− 𝐼𝑚|. 

Абсолютная разность вычисляется для каждого пикселя панорамного изображения, и если полученная разница выше порогового значения, 
𝑑 ≥ 𝑡, то в результирующее бинарное изображение записывается единица, 
иначе – ноль.  

Системный анализ, управление и обработка информации 
 

 
7

Для определения порогового значения вычисляется средняя абсолютная разность между текущим панорамным и усреднённым панорамным 
изображениями: 

𝑑=
𝑑,,, 

где 𝑀 – ширина изображения, 𝑁 – высота изображения, 𝑑– модуль абсолютной разности между текущим панорамным и усреднённым панорамным изображениями в точке (𝑖, 𝑗). 
Таким образом, порог минимальной абсолютной разности можно 
определить как 
𝑡 = 𝑑∗ 𝑤, 
где 𝑤 – корректирующий коэффициент, определяемый на этапе настройки 
системы. 
Полученное разностное бинарное изображение после обработки с 
помощью морфологических операций [5] является входными данными для 
второго этапа алгоритма. 
На втором этапе применяется алгоритм автоматического обнаружения целей, подробно описанный в [6]. Данный алгоритм обнаружения целей основан на построении модели ключевых объектов сцены с использованием данных о количестве, положении и характеристиках объектов, получаемых при последовательной обработке каждого кадра видеопоследовательности. Этот способ предполагает два этапа анализа – пространственный и временной. На этапе пространственного анализа происходит обработка текущего кадра видеопоследовательности, а его результатом является некоторый список подозрительных объектов. На этапе временного анализа результаты пространственного анализа сравниваются с текущей моделью ключевых объектов сцены, после чего модель уточняется и обновляется.  
Результатом работы двухэтапного алгоритма автоматического обнаружения объектов на панорамном изображении является список объектов, угловые координаты которых совместно с пеленгами, полученными от 
системы радиопеленгации, передаются на дополнительный анализ в систему ОЭС УП. 
Алгоритмическое обеспечение ОЭС УП. 
Получив пеленг подозрительного объекта от системы радиопеленгации либо угловые координаты от ОЭС ШП, ОЭС УП разворачивается по 
полученным угловым координатам и осуществляет автоматический поиск, 
распознавание и захват на сопровождение объекта в указанных координатах. 
Алгоритмическое обеспечение ОЭС УП состоит из нескольких 
ключевых частей: 

Известия ТулГУ. Технические науки. 2019. Вып. 1 
 

 
8

- алгоритма автоматического обнаружения объектов в ТВ и ИК каналах;  
- алгоритма автоматического распознавания объектов; 
- алгоритма автоматического сопровождения объектов в ТВ и ИК 
каналах; 
- алгоритма мультиспектрального комплексирования ТВ и ИК каналов. 
Алгоритм автоматического обнаружения объектов в ТВ и ИК 
каналах. Данный алгоритм схож со вторым этапом алгоритма автоматического обнаружения целей ОЭС ШП [6], описанным ранее, с той лишь разницей, что бинарное изображение для анализа строится с применением 
адаптивного алгоритма бинаризации на основе анализа локальных контрастов [7 - 9]. Подобный алгоритм бинаризации позволяет применять его для 
обработки как изображений, полученных в видимом диапазоне, так и инфракрасных изображений. Его отличительным свойством является инвариантность к чёткости контуров объекта и его освещённости, необходимо 
лишь, чтобы объект обладал достаточным локальным контрастом на изображении. 
Алгоритм автоматического распознавания объектов. Каждый 
обнаруженный на предыдущем этапе обработки объект подвергается процедуре автоматического распознавания, для которого разработан алгоритм 
с применением свёрточных нейронных сетей [10 – 14]. 
Сети свёрточной архитектуры обычно состоят из нескольких идущих друг за другом слоев. Существует множество типов слоев в нейронной сети, наиболее часто используемыми являются слои: свёрточные, активации, субдискретизации, батч-нормализации, полносвязные и т.д. 
Основой свёрточных нейронных сетей являются сверточные слои. 
Отличие данного слоя от полносвязного заключается в том, что каждый 
нейрон связан только с ограниченным числом соседних нейронов, что позволяет существенно уменьшить число параметров сети. Веса данного слоя 
представляют собой набор многомерных изображений-фильтров с числом 
каналов, равным числу каналов входного изображения. В процессе прямого прохода данный фильтр двигают по входному изображению и вычисляют сумму попарных произведений элементов фильтра и значений входного изображения. В итоге на выходе блока получается изображение с количеством каналов, равным количеству фильтров блока.  
Операцию свертки можно свести к операции матричного умножения, если предварительно преобразовать входное изображение в матрицу, 
в которой соседние элементы изображения оказываются в одном столбце. 
Данное преобразование называется “image to column”. 
Выходные данные свёрточного слоя поступают на вход слоя активации, который представляет собой нелинейную функцию, которая применяется поэлементно к данным. В данной архитектуре в качестве функции 

Системный анализ, управление и обработка информации 
 

 
9

активации использовалась функция «выпрямленный линейный элемент» 
(Rectified linear unit – ReLU): 𝑓(𝑥) = max (0, 𝑥). Смысл данной функции заключается в отсечении отрицательной части величины. 
Слой субдискретизации производит снижение пространственных 
размеров данных с помощью функции взятия максимума. По изображению 
проходит скользящее окно и находится максимум входного изображения в 
окне. Данные максимумы составляют выход слоя. Уменьшение размеров 
данных происходит за счет того, что шаг, с которым двигается скользящее 
окно, больше единицы. 
Для ускорения работы сети свертки с большими размерами окна 
аппроксимируются последовательностью сверток 3х3, что позволяет 
уменьшить количество параметров сети. 
Реализованная в рамках данной работы архитектура включает в себя три Inseption-блока. Количество фильтров в сверточных слоях внутри 
каждого Inseption-блока одинаково, на первом блоке равно 32, на втором - 
96, на третьем - 128. В оригинальной версии Inseption-блока используются 
свертки 1x1 до и после основных сверток блока для ускорения работы сети. В реализованной версии вместо них используется поэлементное линейное преобразование данных. Полная схема данной сети изображена на  
рис. 2. 
В качестве метрики классификации брались точность (𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛), 
полнота (𝑟𝑒𝑐𝑎𝑙𝑙) и F1-мера (F1 − score).  
Точность является отношением количества верно соотнесенных к 
данному классу изображений к количеству изображений, которые сеть отнесла к данному классу. Точность определяется как 

𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =
𝑡𝑝
𝑡𝑝 + 𝑓𝑝 , 

где 𝑡𝑝 – число истинно положительных классификаций (объект действительно принадлежит к классу N и отнесён сетью к этому классу), 𝑓𝑝 – число ложноположительных (объект не принадлежит к классу N, но отнесён 
сетью к этому классу). 
Полнота для класса представляет собой отношение количества 
изображений, которые верно отнесены к данному классу, к количеству 
изображений, которые реально принадлежат к этому классу. Полнота 
определяется как 

𝑟𝑒𝑐𝑎𝑙𝑙 =
𝑡𝑝
𝑡𝑝 + 𝑓𝑛 , 

где 𝑓𝑛 – число ложноотрицательных классификаций (объект принадлежит 
к классу N, но не отнесён сетью к этому классу). 
F1-мера определяется как 

F1 = 2 ∙ 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ∙ 𝑟𝑒𝑐𝑎𝑙𝑙 
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑒𝑐𝑎𝑙𝑙 . 

Известия ТулГУ. Технические науки. 2019. Вып. 1 
 

 
10

Для обучения сетей использовался алгоритм ADAM [15]. Размер 
мини-батча был выбран равным 64. 
На рис. 3 представлен результат автоматического обнаружения и 
распознавания БЛА с применением свёрточной искусственной нейронной 
сети. 
 

 
Рис. 2. Схема применяемой архитектуры свёрточной сети