Про Академію

Меню

Штучний інтелект для безпеки авіації: дослідження Євгенії Знаковської з виявлення сторонніх предметів на злітно-посадкових смугах

03 Листопада 2026 16:02

Виявлення сторонніх предметів на злітно-посадкових смугах - одне з важливих завдань забезпечення безпеки авіаційних операцій. Інструменти, уламки деталей та інші об’єкти можуть створювати ризики для повітряних суден і наземної інфраструктури. Можливості застосування штучного інтелекту та безпілотних літальних апаратів для автоматизованого виявлення таких об’єктів у режимі реального часу дослідили науковці, серед яких доцентка МАУП Євгенія Знаковська.

Результати дослідження представлено у науковій праці “Real-Time Runway FOD Detection with YOLO26s”, опублікованій у 2026 році в матеріалах міжнародної конференції International Conference on Advanced Computer Information Technologies (ACIT) - наукового заходу, присвяченого сучасним досягненням у сфері комп’ютерних та інформаційних технологій. Матеріали конференції публікуються в межах видавничої платформи IEEE Xplore, а конкретна праця має бібліографічний запис у міжнародній наукометричній базі Scopus.

Стаття присвячена використанню моделі глибокого навчання YOLO26s для виявлення FOD (Foreign Object Debris) - сторонніх предметів, які можуть становити небезпеку для повітряних суден під час зльоту та посадки. Автори зосередилися на можливості застосування моделі в умовах обмежених обчислювальних ресурсів, зокрема на бортових комп’ютерах безпілотних систем.
Разом з Євгенією Знаковською над роботою наукового дослідження працювали Данил Клокота та Юлія Авер'янова.

FOD як фактор ризику для авіаційної інфраструктури

Сторонні предмети на злітно-посадковій смузі можуть становити загрозу для безпеки польотів. До таких об’єктів належать інструменти, фрагменти обладнання, деталі та інші предмети, які опинилися в зоні руху повітряного судна. Їхнє своєчасне виявлення має значення для запобігання пошкодженню авіаційної техніки та зниження ризиків під час експлуатації аеродромної інфраструктури.

Традиційні підходи до контролю території потребують належної організації огляду та оперативного реагування. Застосування комп’ютерного зору й безпілотних літальних апаратів відкриває можливість автоматизувати частину процесів моніторингу. У такій системі UAV можуть використовуватися як мобільні платформи для отримання зображень, а алгоритми штучного інтелекту - для аналізу візуальної інформації та розпізнавання потенційно небезпечних об’єктів.

Саме цю технологічну задачу розглядають автори дослідження, пропонуючи модель для виявлення FOD у режимі реального часу.

YOLO26s: модель для виявлення об’єктів у реальному часі

У роботі досліджується застосування YOLO26s (You Only Look Once 26) - моделі глибокого навчання, призначеної для виявлення об’єктів на зображеннях. Її використання розглядається в контексті безпілотних систем, де важливими є не лише точність розпізнавання, а й швидкість обробки даних та вимоги до обчислювальних ресурсів.

Окрему увагу автори приділяють особливостям архітектури YOLO26s. Серед зазначених у дослідженні змін - використання оптимізатора Muon Stochastic Gradient Descent (MuSGD), відмова від попередніх функцій втрат та застосування нової прогресивної функції втрат ProgLoss.

Ці архітектурні рішення розглядаються як чинники, що роблять модель придатною для обробки зображень у режимі реального часу на пристроях із відносно обмеженими обчислювальними можливостями. Зокрема, йдеться про companion computers - допоміжні обчислювальні модулі, які можуть використовуватися у складі безпілотних систем.

Таким чином, дослідження охоплює не лише точність виявлення сторонніх предметів, а й можливість практичного застосування моделі без потреби у потужній обчислювальній інфраструктурі.

Тестування моделі та кількісні результати

Для оцінювання ефективності запропонованого підходу автори використали набір із 1464 зображень реальних сторонніх предметів, серед яких були інструменти та деталі. Результати тестування засвідчили високі показники точності виявлення об’єктів.

За даними анотації, модель продемонструвала такі результати:

mAP50 - 0,983: середня точність виявлення об’єктів за порогового значення Intersection over Union 0,5;

Precision - 0,947: частка правильних виявлень серед усіх об’єктів, визначених моделлю;

Recall - 0,976: частка знайдених моделлю об’єктів серед усіх наявних у тестовому наборі;

97 FPS: швидкість обробки 97 кадрів за секунду;

20,3 МБ: розмір ваг моделі.

Ці показники характеризують результати тестування на використаному наборі зображень. Зокрема, високі значення Precision і Recall свідчать про здатність моделі виявляти об’єкти з невеликою часткою помилкових спрацювань та пропусків у межах проведеного експерименту.

Швидкість обробки 97 кадрів за секунду є важливим показником для систем, у яких рішення необхідно отримувати без значних затримок. Водночас компактний розмір ваг моделі - 20,3 МБ - має значення для її потенційного використання на пристроях із обмеженими ресурсами.

Потенціал застосування у безпілотних системах

Поєднання безпілотних літальних апаратів і моделей комп’ютерного зору може стати основою для автоматизованого моніторингу злітно-посадкових смуг та інших об’єктів інфраструктури. У такій системі безпілотник може збирати візуальні дані, а модель YOLO26s - аналізувати їх і визначати наявність сторонніх предметів.

Особливе значення запропонований підхід має для сценаріїв, у яких необхідно швидко обробляти великі обсяги візуальної інформації без постійного залучення потужних зовнішніх обчислювальних систем.

У статті також зазначено, що проблема виявлення FOD стосується не лише авіації, а й промислових об’єктів загалом. Тому розробки у сфері автоматизованого розпізнавання сторонніх предметів можуть бути релевантними для ширшого кола завдань промислової безпеки.

Водночас наведені результати стосуються тестування моделі на наборі зображень. Для оцінювання її ефективності в реальних умовах експлуатації необхідно враховувати особливості конкретного середовища, характеристики камер, умови освітлення, погодні фактори та обчислювальну платформу. Отже, результати дослідження демонструють потенціал технології, але самі по собі не підтверджують її повномасштабного впровадження в аеропортах.

Дослідження та Цілі сталого розвитку МАУП

Тематика наукової праці пов’язана передусім із Ціллю 9 - Промисловість, інновації та інфраструктура (Industry, Innovation and Infrastructure).

Дослідження стосується розвитку інноваційних технологій для моніторингу та підвищення безпеки транспортної й промислової інфраструктури. Використання безпілотних систем, комп’ютерного зору та алгоритмів глибокого навчання відповідає напряму розвитку технологічних рішень, які можуть застосовуватися для вдосконалення інфраструктурних процесів. Особливо релевантними є завдання 9.1 щодо розвитку якісної, надійної та стійкої інфраструктури та завдання 9.5, яке передбачає посилення наукових досліджень і розвиток технологічного потенціалу.

Зв’язок із Ціллю 9 визначається тематикою та технологічним спрямуванням роботи. Запропонована модель досліджує можливості автоматизованого виявлення об’єктів, що можуть створювати ризики для експлуатації інфраструктури. Водночас публікація не містить оцінювання фактичного впливу розробки на показники безпеки конкретного аеропорту чи промислового підприємства.

Наукова праця демонструє можливості застосування сучасних моделей глибокого навчання для автоматизованого виявлення сторонніх предметів на злітно-посадкових смугах. Отримані результати доповнюють дослідження у сфері штучного інтелекту, безпілотних систем та інтелектуальних технологій моніторингу інфраструктури.

Бібліографічні дані публікації

Оригінальний порядок авторів у науковій публікації: Klokta, D., Znakovska, Y., & Averyanova, Y. (2026). Real-Time Runway FOD Detection with YOLO26s. Proceedings of the International Conference on Advanced Computer Information Technologies (ACIT).

 DOI: 10.1109/ACIT69831.2026.11700201.

Переглянути публікацію в IEEE Xplore: https://ieeexplore.ieee.org/document/11700201/metrics