Sotakaluston tunnistaminen avoimen lähdekoodin objektintunnistusmallin avulla

Abstract

Tässä kandidaatintyössä tutkitaan avoimen lähdekoodin objektintunnistusalgoritmin soveltuvuutta venäläisten T-90M- ja BMP-2M-panssarivaunujen tunnistamiseen. Työ tarkastelee tekoälyn ja konenäön roolia nykyaikaisen, digitalisoituneen taistelukentän reaaliaikaisessa tilannekuvassa.

Tutkimuksessa käytettiin nopeudestaan ja tarkkuudestaan tunnettua YOLOv8-algoritmia. Opetusaineisto koostettiin War Thunder -simulaatiopelistä tallennetusta videomateriaalista ja käsiteltiin Roboflow-alustalla. Mallia koulutettiin yhteensä 11 355 kuvan avulla, jotka sisälsivät sekä kohteita että negatiivista taustadataa mallin erottelukyvyn parantamiseksi.

Mallin suorituskykyä arvioitiin käyttäen mittareita kuten tarkkuus (precision), löytymisaste (recall) ja keskimääräinen tarkkuus (mAP). Lisäksi analysoitiin mallin toimivuutta haastavissa olosuhteissa, kuten heikossa valaistuksessa ja osittaisen peittymisen tilanteissa. Tulokset osoittavat, että YOLOv8 kykenee tarkkaan kohteentunnistukseen reaaliaikaisesti, ja työ esittää jatkotutkimusmahdollisuuksia tekoälyratkaisujen kehittämiseksi sotilaallisiin käyttötarkoituksiin simuloidun datan avulla.

This bachelor’s thesis explores the applicability of an open-source object detection algorithm for identifying Russian T-90M and BMP-2M tanks. The study examines the role of artificial intelligence and computer vision in providing real-time situational awareness on a modern, digitalized battlefield.

The research utilized the YOLOv8 algorithm, known for its speed and accuracy. The training dataset was compiled from video material recorded in the War Thunder simulation game and processed using the Roboflow platform. The model was trained on a total of 11,355 images, including both target and negative background data to enhance the model’s ability to distinguish relevant objects.

Model performance was evaluated using metrics such as precision, recall, and mean average precision (mAP). The study also assessed the model’s effectiveness in challenging conditions, such as low lighting and partial occlusion. The results demonstrate that YOLOv8 enables accurate real-time object detection, and the thesis highlights opportunities for further research in developing AI-based solutions for military applications using simulated data.