Fine-grained detection and segmentation of civilian aircraft in satellite imagery using YOLOv8

Ramesh Kumar Panneerselvam; Sarada Bandi; Sree Datta Siva Charan Doddapaneni

doi:10.35784/iapgos.6809

PDF (angielski)

Opublikowane: 2025-06-27

DOI: https://doi.org/10.35784/iapgos.6809

Numer Tom 15 Nr 2 (2025)

Precyzyjne wykrywanie i segmentacja samolotów cywilnych na zdjęciach satelitarnych przy użyciu YOLOv8
Ramesh Kumar Panneerselvam, Sarada Bandi, Sree Datta Siva Charan Doddapaneni

5-12
Zastosowanie modeli YOLO i U-Net do identyfikacji materiałów budowlanych na segmentowanych obrazach
Ruslan Voronkov, Mykhailo Bezuglyi

13-17
Integracja genomiki i sztucznej inteligencji w celu precyzyjnego monitorowania upraw i adaptacyjnego zarządzania stresem
Rajesh Polegopu, Satya Sumanth Vanapalli, Sashi Vardhan Vanapalli, Naga Prudvi Diyya, Mounika Vandila, Divya Valluri, Anjali Peddinti, Sowjanya Saladi, Meghana Pyla, Padmini Gelli

18-26
Projektowanie i ocena nowej funkcji przenoszenia w kształcie namiotu przy użyciu algorytmu Polar Lights Optimizer do selekcji cech
Zaynab Ayham Almishlih, Omar Saber Qasim, Zakariya Yahya Algamal

27-31
Algorytm wykrywania obiektów w systemie nawigacji drona ratowniczego
Nataliia Stelmakh, Yurii Yukhymenko; Ilya Rudkovskiy; Anton Lavrinenkov

32-36
Skuteczna metoda rozpakowywania obrazu dookólnego
Said Bouhend, Chakib Mustapha Anouar Zouaoui, Adil Toumouh, Nasreddine Taleb

37-43
Rozpoznawanie twarzy w gęstym tłumie przy użyciu metod głębokiego uczenia z kamerą IP
Sobhana Mummaneni, Venkata Chaitanya Satya Ramaraju Mudunuri, Sri Veerabhadra Vikas Bommaganti, Bhavya Vani Kalle, Novaline Jacob, Emmanuel Sanjay Raj Katari

44-50
Analiza wybranych metod identyfikacji osób na podstawie danych biometrycznych
Marcin Rudzki, Paweł Powroźnik

51-56
Możliwości diagnostyczne teziogafii macierzy Jonesa multifraktalnej struktury odwodnionych rozmazów krwi
Yuriy Ushenko, Iryna Soltys, Oleksandr Dubolazov, Sergii Pavlov, Victor Paliy, Marta Garazdiuk, Vasyl Garasym, Oleksandr Ushenko, Ainur Kozbakova

57-60
Badanie wpływu temperatury dyfuzji boru na wydajność ogniw słonecznych n-type PERT monofacjalnych z ograniczonymi krokami termicznymi.
Hakim Korichi, Mohamed Kezrane, Ahmed Baha-Eddine Bensdira

61-64
Modelowanie parametrów fotoprzetwornika opartego na heterostrukturze CdS/porowaty-CdTe/CdTe
Alena F. Dyadenchuk, Roman I. Oleksenko

65-69
Projekt i wyzwania autonomicznego systemu monitorowania alarmów na statku dla zwiększenia bezpieczeństwa morskiego
Oumaima Bouanani, Sara Sandabad, Abdelmoula Ait Allal, Moulay El Houssine Ech-Chhibat

70-76
Cyfryzacja podstacji z wykorzystaniem protokołu GOOSE między inteligentnymi urządzeniami elektronicznymi
Laura Yesmakhanova, Samal Kulmanova, Dildash Uzbekova, Bibigul Issabekova

77-83
Koncepcyjny model tworzenia propozycji zapewnienia komunikacji jednostce z wykorzystaniem sztucznej inteligencji
Dmytro Havrylov, Roman Lukianiuk, Albert Lekakh, Olexandr Musienko, Vladymyr Startsev, Gennady Pris, Kyrylo Рasynchuk

84-89
Opracowanie modelu analitycznego i metody optymalizacji priorytetowej obsługi korporacyjnej sieci komputerowej "Wybory"
Zakir Nasib Huseynov

90-93
Heterogeniczna sieć neuronowa do prognozowania stanu wielostrefowych obiektów grzewczych
Maria Yukhimchuk, Volodymyr Dubovoi, Zhanna Harbar, Bakhyt Yeraliyeva

94-99
Bufor napięcia push-pull o zwiększonej obciążalności
Oleksiy Azarov, Maxim Obertyukh, Mikhailo Prokofiev, Aliya Kalizhanova, Olena Kosaruk

100-103
Ocena odnawialnych źródeł energii w warunkach niepewności przy użyciu rozmytej metody AHP
Kamala Aliyeva

104-109
Model sieci energetycznej oparty na zasadzie fraktalno-klastrowej
Huthaifa A. Al_Issa, Artem Cherniuk, Yuliia Oliinyk, Oleksiy Iegorov, Olga Iegorova, Oleksandr Miroshnyk, Taras Shchur, Serhii Halko

110-117
Modelowanie dynamicznych i statycznych trybów pracy asynchronicznego napędu elektrycznego małej mocy
Viktor Lyshuk, Sergiy Moroz, Yosyp Selepyna, Valentyn Zablotskyi, Mykola Yevsiuk, Viktor Satsyk, Anatolii Tkachuk

118-123
Rozwój i optymalizacja urządzenia sterującego napędem hydraulicznym przenośnika taśmowego
Leonid Polishchuk, Oleh Piontkevych, Artem Svietlov, Oksana Adler, Dmytro Lozinsky

124-129
Optymalizacja pracy światłowodowych czujników w warunkach kosmicznych
Nurzhigit Smailov, Marat Orynbet, Aruzhan Nazarova, Zhadyger Torekhan, Sauletbek Koshkinbayev, Kydyrali Yssyraiyl, Rashida Kadyrova, Akezhan Sabibolda

130-134
Analiza wydajności VLC w optycznych systemach komunikacji bezprzewodowej do zastosowań wewnętrznych
Nurzhigit Smailov, Shakir Akmardin, Assem Ayapbergenova, Gulsum Ayapbergenova, Rashida Kadyrova, Akezhan Sabibolda

135-138
Predykcja wskaźników jakości oprogramowania z zastosowaniem modyfikacji metod gradientów zintegrowanych
Anton Shantyr, Olha Zinchenko, Kamila Storchak, Andrii Bondarchuk, Yuriy Pepa

139-146

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

Authors

Ramesh Kumar Panneerselvam

rameshkumar@vrsiddhartha.ac.in

Velagapudi Ramakrishna Siddhartha Engineering College

Sarada Bandi

bandisarada6@gmail.com

Velagapudi Ramakrishna Siddhartha Engineering College

https://orcid.org/0009-0004-9279-4043

Sree Datta Siva Charan Doddapaneni

sreedatta07@gmail.com

Velagapudi Ramakrishna Siddhartha Engineering College

https://orcid.org/0009-0009-1594-8607

Abstrakt

Wykrywanie i segmentacja cywilnych samolotów na podstawie obrazów satelitarnych mają kluczowe znaczenie w zarządzaniu ruchem lotniczym, nadzorze oraz obronności. Ze względu na wizualne podobieństwa między różnymi typami samolotów oraz brak standaryzacji w rozpoznawaniu, jest to zadanie trudne. Niniejszy artykuł przedstawia efektywny model oparty na YOLOv8 do wykrywania, klasyfikacji i segmentacji samolotów w zbiorze danych FAIR1M-2.0. Zaproponowana metodologia obejmuje wstępne przetwarzanie danych i dostosowanie do zgodności, w którym wykorzystano CSPDarknet53 jako bazę, połączoną z modułem C2f, co zapewnia efektywną reprezentację wieloskalową – jest to kluczowy element przy rozróżnianiu 11 unikalnych kategorii samolotów. Włączenie modelu SAM poprawia precyzję lokalizacji, pozwalając na dokładniejszą segmentację na poziomie pikseli. Prezentowane badania pozwoliły na dokładną klasyfikację i opisanie cywilnych samolotów, zapewniając ulepszone możliwości wykrywania i analizowania obiektów na obrazach satelitarnych. Takie podejście znacznie zwiększa dokładność i precyzję klasyfikacji samolotów, co czyni je przydatnym w operacjach nadzoru i monitorowania w czasie rzeczywistym. Precyzyjna klasyfikacja i segmentacja umożliwia skuteczne rozróżnianie subtelnych różnic między typami samolotów, co jest istotne dla niezawodnego zarządzania przestrzenią powietrzną. Niniejsza praca stanowi solidną podstawę dla przyszłych badań nad analizą obrazów lotniczych w wysokiej rozdzielczości w różnych kontekstach operacyjnych.

Słowa kluczowe:

klasyfikacja samolotów, rozpoznawanie szczegółowe, wykrywanie obiektów, obrazy satelitarne, segmentacja, YOLOv8

Bibliografia

[1] Azam F., et al.: Aircraft classification based on PCA and feature fusion techniques in convolutional neural network. IEEE Access 9, 2021, 161683–161694 [https://dx.doi.org/10.1109/ACCESS.2021.3132062].

[2] Castilho H. M., Nascimento C. L., Loesch Vianna W. O.: Aircraft bleed valve fault classification using support vector machines and classification trees. Annual IEEE International Systems Conference – SysCon. IEEE, 2018 [https://doi.org/10.1109/SYSCON.2018.8369568].

[3] C V A., P K.: Deep Learning-Based Instance Segmentation of Aircraft in Aerial Images using Detectron2, 2023 [https://dx.doi.org/10.2139/ssrn.4485468].

[4] Dӓstner K., et al.: Classification of military aircraft in real-time radar systems based on supervised machine learning with labelled ads-b data. Sensor Data Fusion: Trends, Solutions, Applications – SDF. IEEE, 2018 [https://dx.doi.org/10.1109/SDF.2018.8547077].

[5] Elhanashi A., et al.: TeleStroke: real-time stroke detection with federated learning and YOLOv8 on edge devices. Journal of Real-Time Image Processing 21(4), 2024, 121 [https://dx.doi.org/10.1007/s11554-024-01500-1].

[6] Gao K., et al.: Optimizing and evaluating swin transformer for aircraft classification: Analysis and generalizability of the mtarsi dataset. IEEE Access 10, 2022, 134427–134439 [https://doi.org/10.1109/ACCESS.2022.3231327].

[7] Guo Q., Wang H., Xu F.: Scattering enhanced attention pyramid network for aircraft detection in SAR images. IEEE Transactions on Geoscience and Remote Sensing 59(9), 2020, 7570–7587 [https://doi.org/10.1109/TGRS.2020.3027762].

[8] Guo Q., et al.: Aircraft target detection from spaceborne SAR image. IEEE International Geoscience and Remote Sensing Symposium –¬ IGARSS 2019. IEEE, 2019 [https://doi.org/10.1109/IGARSS.2019.8898548].

[9] Hassan A., et al.: A deep learning framework for automatic airplane detection in remote sensing satellite images. IEEE Aerospace Conference. IEEE, 2019 [https://dx.doi.org/10.1109/AERO.2019.8741938].

[10] He C., et al.: A component-based multi-layer parallel network for airplane detection in SAR imagery. Remote Sensing 10(7), 2018, 1016 [https://doi.org/10.3390/rs10071016].

[11] Kang Y., et al.: SFR-Net: Scattering feature relation network for aircraft detection in complex SAR images. IEEE Transactions on Geoscience and Remote Sensing 60, 2021, 1–17 [https://doi.org/10.1109/TGRS.2021.3130899].

[12] Kang Y., et al.: ST-Net: Scattering topology network for aircraft classification in high-resolution SAR images. IEEE Transactions on Geoscience and Remote Sensing 61, 2023, 1–17 [https://dx.doi.org/10.1109/TGRS.2023.3236987].

[13] Khan Z., et al.: Deep learning improved YOLOv8 algorithm: Real-time precise instance segmentation of crown region orchard canopies in natural environment. Computers and Electronics in Agriculture 224, 2024, 109168 [https://doi.org/10.1016/j.compag.2024.109168].

[14] Liu Z., Gao Y., Du Q.: Yolo-class: Detection and classification of aircraft targets in satellite remote sensing images based on yolo-extract. IEEE Access 11, 2023, 109179–109188 [https://doi.org/10.1109/ACCESS.2023.3321828].

[15] Nie Y., Bian C., Li L.: Adap-EMD: Adaptive EMD for aircraft fine-grained classification in remote sensing. IEEE Geoscience and Remote Sensing Letters 19, 2022, 1–5 [https://doi.org/10.1109/LGRS.2022.3168581].

[16] Pandey S., Chen K-F., Dam E. B.: Comprehensive multimodal segmentation in medical imaging: Combining YOLOv8 with SAM and HQ-SAM models. IEEE/CVF International Conference on Computer Vision. 2023 [https://dx.doi.org/10.1109/ICCVW60793.2023.00273].

[17] Poojitha K., Nasreen A.: Aircraft recognition system using deep learning based efficientnet. International Journal of Computer Science and Engineering 14(5), 2023, 182–187 [https://dx.doi.org/10.21817/indjcse/2023/v14i5/231405025].

[18] Sapkota R., Ahmed D., Karkee M.: Comparing YOLOv8 and Mask R-CNN for instance segmentation in complex orchard environments. Artificial Intelligence in Agriculture 13, 2024, 84–99 [https://doi.org/10.1016/j.aiia.2024.07.001].

[19] Sun X., et al.: FAIR1M: A benchmark dataset for fine-grained object recognition in high-resolution remote sensing imagery. ISPRS Journal of Photogrammetry and Remote Sensing 184, 2022, 116–130 [https://doi.org/10.1016/j.isprsjprs.2021.12.004].

[20] Sun X., et al.: SCAN: Scattering characteristics analysis network for few-shot aircraft classification in high-resolution SAR images. IEEE Transactions on Geoscience and Remote Sensing 60, 2022, 1–17 [https://doi.org/10.1109/TGRS.2022.3166174].

[21] Thai V.-P., et al.: Detection, tracking and classification of aircraft and drones in digital towers using machine learning on motion patterns. Integrated Communications, Navigation and Surveillance Conference – ICNS. IEEE, 2019 [https://doi.org/10.1109/ICNSURV.2019.8735240].

[22] Wang J., et al.: Integrating weighted feature fusion and the spatial attention module with convolutional neural networks for automatic aircraft detection from SAR images. Remote Sensing 13(5), 2021, 910 [https://dx.doi.org/10.3390/rs13050910].

[23] Wang W., et al.: Aircraft target classification for conventional narrow-band radar with multi-wave gates sparse echo data. Remote Sensing 11(22), 2019, 2700 [https://dx.doi.org/10.3390/rs11222700].

[24] Wang X., et al.: Aircraft target interpretation based on SAR images. Applied Sciences 13(18), 2023, 10023 [https://doi.org/10.3390/app131810023].

[25] Wang X., et al.: SAR Image Aircraft Target Recognition Based on Improved YOLOv5. Applied Sciences 13(10), 2023, 6160 [https://doi.org/10.3390/app13106160].

[26] Yang T., et al.: An approach for plant leaf image segmentation based on YOLOV8 and the improved DEEPLABV3+. Plants 12(19), 2023, 3438 [https://doi.org/10.3390/plants12193438].

[27] Yue B., et al.: MS-Net: A Multi-modal Self-supervised Network for Fine-Grained Classification of Aircraft in SAR Images. arXiv preprint arXiv:2308.14613, 2023 [https://dx.doi.org/10.48550/arXiv.2308.14613].

[28] Zhao Q., Du X., Lu Y.: Aircraft target classification based on CNN. IEEE 11th Sensor Array and Multichannel Signal Processing Workshop – SAM. IEEE, 2020 [https://doi.org/10.1109/SAM48682.2020.9104254].

[29] Zhao Y., et al.: Pyramid attention dilated network for aircraft detection in SAR images. IEEE Geoscience and Remote Sensing Letters 18(4), 2020, 662–666 [https://doi.org/10.1109/LGRS.2020.2981255].

Precyzyjne wykrywanie i segmentacja samolotów cywilnych na zdjęciach satelitarnych przy użyciu YOLOv8. (2025). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 15(2), 5-12. https://doi.org/10.35784/iapgos.6809

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 15 Nr 2 (2025)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja