Edge - AI на борту БПЛА для мониторинга природных экосистем горных территорий: нейросетевые подходы к семантической сегментации ландшафтных компонентов : научное издание
Библиографическое описание:Edge - AI на борту БПЛА для мониторинга природных экосистем горных территорий: нейросетевые подходы к семантической сегментации ландшафтных компонентов : научное издание / А. Ю. Михайлов, И. П. Андреев, А. С. Логинов, Д. А. Мартысюк. - Текст : непосредственный // Устойчивое развитие горных территорий. - 2025. - Т. 17, № 3. - С. 1711-1723. - Исследование проведено и выполнено в рамках выполнения государственного задания FSFN-2023-0020, государственная программа Российской Федерации «Развитие электронной и радиоэлектронной промышленности на 2013-2025 гг.», финансированной Министерством науки и высшего образования Российской Федерации. - ISSN 1998-4502. - ISSN 2499-975X, DOI 10.21177/1998-4502-2025-17-3-1711-1723.
Аннотация:Беспилотные летательные аппараты (БПЛА) с открытыми автопилотами становятся перспективным средством мониторинга природных экосистем горных территорий. В статье представлены современные методы семантической сегментации природных компонентов - растительности, снежно - ледниковых структур, лавинно - опасных и геологических зон - с применением облегчённых нейросетевых архитектур (U - Net - подобных, специализированных для снега и льда, с глобально - локальным вниманием, JetSeg / STDC-классы). Эти модели адаптированы для вычислений на борту БПЛА (edge- AI). На основании анализа литературы по криосфере, геодинамике, раннему выявлению пожаров и оценке растительности сформулированы требования к mIoU, задержке и энергопотреблению моделей для разных сценариев мониторинга. Рассмотрены аппаратные платформы - микроконтроллеры и одноплатные компьютеры с ИИ - ускорением (например, NVIDIA Jetson, Google Coral TPU, Hailo-8, MCU+NPU), с учётом ограничений по памяти, теплу и энергоресурсам. Предложена схема интеграции edge - AI с автопилотом и навигационными датчиками (IMU, барометр, GNSS+RTK) для надёжного экологического мониторинга в труднодоступных высокогорных районах. Показано, что комбинация «архитектура сети - нейроускоритель - профиль полёта» позволяет повысить качество картирования природной среды и улучшить информационную основу для принятия решений в сфере устойчивого развития горных территорий.
Introduction. The sustainable development of mountainous regions requires reliable, accurate, and timely monitoring of natural ecosystems, including vegetation cover, snow and glacier formations, avalanche - prone areas, and geological structures. Traditional ground - based surveys and satellite observations often lack spatial resolution, operational flexibility, or real - time capabilities, especially in remote high - altitude environments. Unmanned aerial vehicles (UAVs) equipped with onboard artificial intelligence (edge - AI) offer a promising solution for autonomous environmental monitoring, enabling real - time interpretation of visual data directly during flight. However, deploying deep learning models onboard UAVs remains challenging due to strict limitations on computational resources, energy consumption, thermal dissipation, and payload weight. Methods. The study proposes and evaluates an onboard edge - AI framework for semantic segmentation of natural landscape components in mountainous terrain. Lightweight convolutional neural network architectures, including U - Net - like and STDC - based models with global - local attention mechanisms, were optimized for real - time inference on embedded hardware platforms. The experimental methodology involved training and quantization of neural networks, deployment on NVIDIA Jetson and Google Coral TPU devices, and validation through field UAV flights in high - altitude environments. Performance metrics such as segmentation accuracy (mIoU), inference latency, energy consumption, and thermal stability were assessed under real operating conditions. Results. Experimental results demonstrated that the proposed edge - AI system achieves real - time semantic segmentation with processing speeds of 17-29 frames per second and average inference latency below 70 ms. The overall mean intersection - over - union reached 0.79 across all landscape classes, with vegetation segmentation accuracy up to 0.84-0.86 and noticeable improvements in snow, ice, and avalanche zone recognition when attention mechanisms were applied. INT8 quantization reduced model size and energy consumption by more than 60% while preserving over 94% of baseline segmentation accuracy. The onboard processing capability enabled adaptive flight behavior, increasing surveyed area coverage and reducing energy expenditure during UAV missions. Conclusions. The study confirms the feasibility and effectiveness of performing semantic segmentation of complex natural environments directly onboard UAVs using optimized edge - AI architectures. The proposed approach significantly reduces data processing latency, supports autonomous decision - making, and ensures stable operation under the harsh conditions of mountainous regions. The developed system provides a technological foundation for continuous environmental monitoring, risk assessment, and decision support in the context of sustainable development of mountain territories.
