Генерація та розпізнавання фрактальних камуфляжних структур з використанням нейронних мереж

Abstract

В роботі розглянуто метод генерації фрактальних камуфляжних структур (сіток) за допомогою рандомізованої системи ітераційних функцій. У метод закладено можливість змінювати основу структури (вид сітки), що дасть змогу визначати параметри, за допомогою яких цей об’єкт можна буде індентифікувати як фрактальну камуфляжну сітку. В математичному описі удоско- наленої РСІФ введено параметр “діапазон кольорів” (набір кольорів), який дасть змогу підлашто- вувати фрактальну структуру до кольорів ланшафту, де буде застосовуватися камуфляжна сітка. Вибір кольорів для генератора фрактальних камуфляжних сіток є критичним аспектом, який впливає на ефективність маскування. Використання декількох відтінків, що відповідають при- родним кольорам оточення, дозволяє створювати камуфляжні структури, які майже неможливо відрізнити від реальних об’єктів на місцевості. Такий підхід забезпечує високий ступінь приховання та зменшує ймовірність виявлення замаскованих об’єктів навіть за допомогою сучасних сенсорних систем. Запропонована генерація на основі цього методу дасть змогу сформувати масив інформації для навчання нейронної мережі. Навчена нейронна мережа зможе визначити геометричні параметри камуфляжної структури. Ці параметри можна буде використати для ідентифікації об’єкта, прихованого під фрактальною камуфляжною структурою. Розглянутий метод генерації дає змогу автоматизувати навчання нейронної мережі, що значно прискорює цей процес та зменшує пошук навчальних даних. Запропонований підхід істотно знижує ризик людських помилок та підвищує оперативність і ефективність військових операцій. Висока точність і адаптивність фрактального камуфляжу, згенерованого за допомогою удосконаленої РСІФ та нейронних мереж, робить цей метод перспективним дляширокого впровадження у військових технологіях.

The paper considers a method of generating fractal camouflage structures (grids) using a randomized system of iterative functions. This method allows for changing the base structure (type of mesh), which in turn makes it possible to determine the parameters by which the object can be identified as a fractal camouflage mesh. In the mathematical description of the improved RSIF, the color range parameters (set of colors) are introduced, allowing the fractal structure to be adjusted to the colors of the landscape where the camouflage net will be applied. The choice of colors for the fractal camouflage mesh generator is a critical aspect that affects camouflage effectiveness. Using several shades that correspond to the natural colors of the environment allows for the creation of camouflage structures that are almost impossible to distinguish from real objects on the ground. This approach provides a high degree of concealment and reduces the probability of detecting camouflaged objects even with modern sensor systems. The proposed generation method will enable the formation of an array of information for neural network training. A trained neural network will be able to determine the geometric parameters of the camouflage structure. These parameters can then be used to identify an object hidden under a fractal camouflage structure. The considered generation method allows for the automation of the neural network training process, significantly speeding up the learning process and reducing the need for training data. The proposed approach significantly reduces the risk of human errors and increases the efficiency and effectiveness of military operations. The high accuracy and adaptability of fractal camouflage generated with the help of advanced RSIF and neural networks make this method promising for wide implementation in military technologies.