Student
студент
Ph.D. in Engineering, Associate Professor
канд. техн. наук, доц.
Presented is a real-time object detection method based on the HSV color model, proposed as an efficient alternative to complex neural network models. The method is enhanced through the introduction of adaptive bounds, which makes it possible to account for local scene characteristics, including changes in illumination and background complexity. А comparative analysis was carried out between the proposed method and traditional algorithms as well as neural network models such as YOLOv8, using the Intersection over Union (IoU) accuracy metric. Experiments conducted on images with varying illumination levels and complex backgrounds confirmed the method’s ability to adapt to diverse conditions. The scientific novelty of the work lies in the development of an adaptive HSV-segmentation algorithm capable of dynamically adjusting color ranges based on local scene characteristics. This enables competitive accuracy under variable lighting and constrained computational resources—capabilities that have not been implemented in classical HSV segmentation methods. The "HSV segmentation" method demonstrated competitive results, especially under limited computational resources. At the medium tolerance level (the interval of permissible deviations of the HSV components from the central value) its accuracy reached 0.81 in terms of IoU, exceeding the performance of classical methods such as Canny Edge Detection and Template Matching and, in a number of cases, approaching the results of YOLOv8. The main advantages of the method are simplicity of implementation, low hardware requirements, and high processing speed, which makes it particularly useful for real-time applications. In addition, the method successfully provides "vision" for robots, solving tasks such as object detection, localization, and color-based recognition, as well as optimal trajectory calculation. This expands the possibilities for integrating visual systems into automated solutions, including resource-constrained platforms such as the Jetson Nano, and makes the method a promising tool for robotic applications.
Представлен метод обнаружения объектов в режиме реального времени, основанный на цветовой модели HSV, который предлагается как эффективная альтернатива сложным нейросетевым моделям. Метод усовершенствован за счет внедрения адаптивных границ, что позволяет учитывать локальные особенности сцены, включая изменения освещения и сложность фона. Проведен сравнительный анализ предложенного метода с традиционными алгоритмами и нейросетевыми моделями, такими как YOLOv8, с использованием метрики точности Intersection over Union (IoU). Эксперименты, выполненные на изображениях с различными уровнями освещенности и сложным фоном, подтвердили способность метода адаптироваться к различным условиям.
Научная новизна работы заключается в разработке адаптивного алгоритма HSV-сегментации, способного динамически подстраивать цветовые диапазоны с учетом локальных особенностей сцены. Это позволяет обеспечить конкурентоспособную точность в условиях переменного освещения и ограниченных вычислительных ресурсов, что ранее не было реализовано в классических методах HSV-сегментации.
Метод "HSV-сегментация" показал конкурентоспособные результаты, особенно в условиях ограниченных вычислительных ресурсов. На среднем уровне снисхождения (интервал допустимых отклонений компонентов HSV от центрального значения) его точность достигала 0,81 по метрике IoU, что превышает показатели таких классических методов, как Canny Edge Detection и Template Matching, и в ряде случаев сопоставимо с результатами YOLOv8. Основными преимуществами метода являются простота реализации, низкие аппаратные требования и высокая скорость обработки, что делает его особенно полезным для задач реального времени. Кроме того, метод успешно обеспечивает "зрение" для роботов, решая такие задачи, как обнаружение, локализация и распознавание по цвету объектов, а также расчет оптимальных траекторий движения. Это расширяет возможности интеграции визуальных систем в автоматизированные решения, включая платформы с ограниченными ресурсами, такие как Jetson Nano, и делает метод перспективным инструментом для робототехнических приложений.