Система детектирования БПЛА «Визарь»
Нейросетевая технология обнаружения беспилотных летательных аппаратов для защиты стратегических объектов
Критическая проблема безопасности
Объекты стратегической инфраструктуры бессильны против несанкционированных полетов БПЛА
Дефицит времени на реагирование — основная причина допущения таких полетов. Главная трудность не прервать полет БПЛА, а определить его в воздухе заранее.
Временное окно реагирования
Среднее время обнаружения БПЛА оператором — 45 секунд, тогда как система «Визарь» определяет угрозу за 100 мс
Ограничения человеческого фактора
Усталость оператора снижает эффективность обнаружения на 40% после 4 часов непрерывного наблюдения
Архитектура системы «Визарь»
Мультиспектральный ввод данных
Комбинация видео, тепловизионных и радиосигнальных данных с систем наружного видеонаблюдения
- Работа в диапазоне температур от -40°C до +60°C
- Дальность обнаружения до 500 метров
- Работа в условиях плохой видимости
Нейросетевая обработка
Оптимальная архитектура на основе сверточных нейронных сетей (CNN), обученная на тысячах изображений БПЛА
- 50,000+ изображений в обучающей выборке
- Точность распознавания 50.8%
- Ложные срабатывания менее 15%
Edge-вычисления
Обработка на периферийных устройствах для минимальной задержки обнаружения (менее 100 мс)
- NVIDIA Jetson для edge-обработки
- Автономная работа до 8 часов
- Локальная обработка без облачной зависимости
Мгновенное оповещение
Автоматическая сигнализация через системы оповещения и интеграция с существующими системами безопасности
- Интеграция с СКУД, СОУЭ
- Мобильные уведомления для операторов
- API для внешних систем
Демонстрация работы системы
Обнаружение БПЛА в реальном времени
Система идентифицирует дрон на расстоянии до 100 метров с точностью 50.7%
Работа нейросетевого алгоритма
Визуализация процесса обработки видеопотока и принятия решений
Система оповещения
Мгновенное уведомление оператора при обнаружении угрозы
Технологии и алгоритмы
Компьютерное зрение
Использование CNN (сверточных нейронных сетей) для анализа видеопотока в реальном времени с применением алгоритмов детектирования объектов YOLO
Архитектура нейросети
Гибридная архитектура ResNet50 + EfficientDet для баланса между скоростью и точностью обнаружения
Edge Computing
Локальная обработка на устройствах NVIDIA Jetson для минимальной задержки и независимости от интернета
Метрики производительности
Этапы годовой разработки
Подготовительный этап
Аренда офиса, регистрация ООО, анализ задачи с точки зрения машинного обучения, исследование доступных технологий
- Формирование технического задания
- Подбор команды разработчиков
- Анализ конкурентов и рынка
Разработка ядра системы
Выбор оптимальной архитектуры, сбор данных для обучения модели, разработка программной части нейросети
- Сбор и разметка датасета (50,000+ изображений)
- Разработка архитектуры CNN
- Обучение и валидация моделей
Интеграция и тестирование
Тестирование модели, анализ рынка систем видеонаблюдения, закупка аппаратной части, интеграция модели с видеокамерой
- Интеграция с IP-камерами
- Полевые испытания прототипа
- Оптимизация для edge-устройств
Внедрение и пресейл
Создание модуля сигнализации, полевые испытания, подготовка презентационных материалов, начало пресейла
- Разработка API и интерфейса
- Тестирование на реальных объектах
- Подготовка документации
B2B/B2G бизнес-модель
Основной канал получения прибыли — продажи системы с услугами по интеграции и поддержке
Стоимость внедрения обсуждается индивидуально с учетом материально-технической базы заказчика и перечня услуг.
Модель ценообразования
Крупный растущий рынок
Расчет окупаемости
Запросите демонстрацию системы
Контактная информация
usheenkov@mail.ru
+7 (895) 322-08-55
Ульяновск
Преимущества системы:
- Автоматическое обнаружение 24/7
- Работа в любых погодных условиях
- Интеграция с существующей инфраструктурой
- Соответствие требованиям регуляторов
Данные проекта:
Студенческий стартап: V очередь
Заявка: СтС-409809
Статус: Активная разработка