ІННОВАЦІЙНІ ТЕХНОЛОГІЇ ТА ПЕРСПЕКТИВИ РОЗВИТКУ ТЕХНОЛОГІЙ МОРСЬКОГО ПОШУКУ ТА ПОРЯТУНКУ
DOI:
https://doi.org/10.36074/grail-of-science.15.05.2026.125Keywords:
інноваційні технології рятування, SAR, БПЛА, дрониSummary
У представленому дослідженні проаналізовано сучасний стан та перспективні напрями розвитку технологій морського пошуку та порятунку (SAR) з акцентом на інтеграцію інтелектуальних пристроїв та безпілотних систем. Розглянуто фактори виживання постраждалих у воді, зокрема проблему часової латентності та необхідність точного позиціювання дрейфуючих об’єктів. Встановлено, що загибель людей через нещасний випадок на морі досі перевищує кількість, яку міжнародна морська організація намагається зменшити. Показано складність виявлення людини за бортом. Досліджено функціональні можливості рятувальних жилетів, що поєднують технології AIS-MOB, персональні локаційні маяки та біометричні сенсори для моніторингу стану людини за бортом в реальному часі. Значну увагу приділено аналізу застосуванню безпілотних літальних апаратів, розглянута схема пошуку за допомогою дронів, а також алгоритмам роботи дворівневої програмної платформи для автоматизованого виявлення областей пошуку. Встановлено, що цифровізація засобів порятунку та використання автономних систем дозволяють скоротити час реакції рятувальних служб з годин до лічених хвилин, а використання нових алгоритмів пошуку та штучного інтелекту набагато точніше виявить людину за бортом за допомогою розділення функцій знімання передачі інформації та обробки на віддаленому сервері, коли можна використовувати навіть невисоку роздільну здатність камер дронів. Завдяки чому знижується навантаження на людину та дозволяє оператору приймати більш зважені рішення щодо пошуку та виявлення важливих деталей. Визначено, що основною перевагою керованих літальних апаратів є надання інформації у реальному часі.
Downloads
Downloads
References
A literature review on IoT-based soldier health monitoring e-jacket. (2023). International Research Journal of Modernization in Engineering Technology and Science, 05(02). e-ISSN 2582-5208. https://www.irjmets.com/uploadedfiles/paper/issue_2_february_2023/33517/final/fin_irjmets1676464912.pdf
Cafarelli, D., Ciampi, L., Vadicamo, L., Gennaro, C., Berton, A., Paterni, M., ... & Falchi, F. (2022). MOBDrone: A Drone Video Dataset for Man OverBoard Rescue. Lecture Notes in Computer Science, (13232), 633–644. https://doi.org/10.1007/978-3-031-06430-2_53 DOI: https://doi.org/10.1007/978-3-031-06430-2_53
Deutsche Lebens-Rettungs-Gesellschaft (DLRG). (2024). DLRG Statistik 2023: Mindestens 378 Menschen in Deutschland ertrunken. https://www.dlrg.de/informieren/die-dlrg/presse/statistik-ertrinken/
Ge, Z., Liu, S., Wang, F., Li, Z., & Sun, J. (2021). YOLOX: Exceeding YOLO Series in 2021. arXiv preprint. https://arxiv.org/abs/2107.08430
Li, D., Yu, L., Jin, W., Zhang, R., Feng, J., & Fu, N. (2021). An Improved Detection Method of Human Target at Sea Based on YOLOv3. Proceedings of the 2021 IEEE International Conference on Consumer Electronics and Computer Engineering (ICCECE), 100–103. https://doi.org/10.1109/ICCECE51280.2021.9342337 DOI: https://doi.org/10.1109/ICCECE51280.2021.9342056
Lin, T. Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., ... & Zitnick, C. L. (2014). Microsoft COCO: Common Objects in Context. Computer Vision – ECCV 2014, 740–755. https://doi.org/10.1007/978-3-319-10602-1_48 DOI: https://doi.org/10.1007/978-3-319-10602-1_48
Lygouras, E., Santavas, N., Taitzoglou, A., Tarchanidis, K., Mitropoulos, A., & Gasteratos, A. (2019). Unsupervised Human Detection with an Embedded Vision System on a Fully Autonomous UAV for Search and Rescue Operations. Sensors, 19(16), 3542. https://doi.org/10.3390/s19163542 DOI: https://doi.org/10.3390/s19163542
Sheu, B. H., Yang, T. C., Yang, T. M., Huang, C. I., & Chen, W. P. (2020). Real-time alarm, dynamic GPS tracking and monitoring system for man overboard. Sensors and Materials, 32(1), 197–221. https://doi.org/10.18494/SAM.2020.2641 DOI: https://doi.org/10.18494/SAM.2020.2582
Zhuang, J., Qin, Z., Yu, H., & Chen, X. (2023). Task-Specific Context Decoupling for Object Detection. arXiv preprint. https://arxiv.org/abs/2303.01047.
Downloads
How to Cite
Issue
Section
Categories