Детекция БПЛА при помощи нейронных сетей
Мария Дмитриевна Аверина,
Ольга Александровна Леванова,
Дарья Грушевская,
Кирилл Александрович Кухарев,
Дмитрий Михайлович Мурин,
Максим Александрович Калинин https://doi.org/10.18255/1818-1015-2024-2-182-193
Аннотация
Доступность беспилотных летательных аппаратов (БПЛА) привела к тому, что их стали часто использовать при совершении правонарушений. Такая ситуация делает актуальной разработку систем обнаружения БПЛА. При обнаружении БПЛА применяются различные подходы на основе анализа радиочастотных и акустических сигналов, а также обработки видео данных. Лучшие результаты в обнаружении БПЛА на видео показывают решения, основанные на глубоких нейронных сетях. В этой статье мы представляем исследование различных нейросетевых детекторов и оценку возможности их практического использования в системах видеонаблюдения. Основной акцент работы направлен на выявление как можно более маленьких объектов, вплоть до размеров $4\times4$ пикселя. В работе представлены результаты анализа архитектур SSD(VGG16), YOLOv3 и их модификаций. В качестве метрик качества использовались полнота и точность, которые вычислялись отдельно для разных размеров объекта. Лучший результат был получен для модели YOLOv3 со значениями параметров bbox, подобранных в результате кластеризации размеров объектов. При распознавании дронов размера $3\times3$ удалось достичь точности 76% при очень маленьком значении полноты 26%. Для объектов, площадь которых составляет от 10 до 20 пикселей полнота составила 64% при точности 75%. Для объектов большего размера в среднем получилась полнота 90%, точность 89% и F1-мера 90%. Данные результаты показывают, что распознавание дронов возможно даже при размере $4\times4$, что может быть успешно использовано в системах видеонаблюдения.
Об авторах
Мария Дмитриевна Аверина
Ярославский государственный университет им. П.Г. Демидова
Россия
Россия
Ольга Александровна Леванова
Ярославский государственный университет им. П.Г. Демидова
Россия
Россия
Дарья Грушевская
Ярославский государственный университет им. П.Г. Демидова
Россия
Россия
Кирилл Александрович Кухарев
Ярославский государственный университет им. П.Г. Демидова
Россия
Россия
Дмитрий Михайлович Мурин
Ярославский государственный университет им. П.Г. Демидова
Россия
Россия
Максим Александрович Калинин
Национальный исследовательский университет «Высшая школа экономики»
Россия
Россия
Список литературы
1. “European ATM Master Plan: Digitalising Europe’s Aviation Infrastructure. Executive view.” 2020, doi: 10.2829/695700.
2. N. Al-lQubaydhi et al., “Deep learning for unmanned aerial vehicles detection: A review,” Computer Science Review, vol. 51, p. 100614, 2024, doi: https://doi.org/10.1016/j.cosrev.2023.100614.
3. F. Mahdavi and R. Rajabi, “Drone Detection Using Convolutional Neural Networks,” in 2020 6th Iranian Conference on Signal Processing and Intelligent Systems (ICSPIS), 2020, pp. 1–5, doi: 10.1109/ICSPIS51611.2020.9349620.
4. U. Seidaliyeva, D. Akhmetov, L. Ilipbayeva, and E. T. Matson, “Real-Time and Accurate Drone Detection in a Video with a Static Background,” Sensors, vol. 20, no. 14, p. 3856, 2020, doi: 10.3390/s20143856 .
5. A. Coluccia et al., “Drone vs. Bird Detection: Deep Learning Algorithms and Results from a Grand Challenge,” Sensors, vol. 21, no. 8, p. 2824, 2021, doi: 10.3390/s21082824.
6. S. Jamil et al., “Malicious UAV Detection Using Integrated Audio and Visual Features for Public Safety Applications,” Sensors, vol. 20, no. 14, p. 3923, 2020.
7. E. Unlu, E. Zenou, N. Riviere, and P.-E. Dupouy, “Deep learning-based strategies for the detection and tracking of drones using several cameras,” IPSJ T Comput Vis Appl, vol. 11, no. 7, p. Unlu2019, 2019, doi: 10.1186/s41074-019-0059-x.
8. Y. Shang, C. Liu, D. Qiu, Z. Zhao, R. Wu, and S. Tang, “AD-YOLOv5s based UAV detection for low altitude security,” International Journal of Micro Air Vehicles, vol. 15, p. 17568293231190017, 2023, doi: 10.1177/17568293231190017.
9. X. Zhai, Z. Huang, T. Li, H. Liu, and S. Wang, “YOLO-Drone: An Optimized YOLOv8 Network for Tiny UAV Object Detection,” Electronics, vol. 12, p. 3664, 2023, doi: 10.3390/electronics12173664.
10. J. Li, D. H. Ye, M. Kolsch, J. P. Wachs, and C. A. Bouman, “Fast and Robust UAV to UAV Detection and Tracking From Video,” IEEE Transactions on Emerging Topics in Computing, vol. 10, no. 3, pp. 1519–1531, 2022, doi: 10.1109/TETC.2021.3104555.
11. A. Rozantsev, V. Lepetit, and P. Fua, “Detecting Flying Objects Using a Single Moving Camera,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 5, pp. 879–892, 2017, doi: 10.1109/TPAMI.2016.2564408.
12. H. Sun, J. Yang, J. Shen, D. Liang, L. Ning-Zhong, and H. Zhou, “TIB-Net: Drone Detection Network With Tiny Iterative Backbone,” IEEE Access, vol. 8, pp. 130697–130707, 2020.
13. O. A. Levanova, D. V. Grushevskaya, A. A. Britnev, M. D. Averina, and D. M. Murin, “Baza videodannyh s razmetkoj bespilotnyh letatel'nyh apparatov (kvadrokopterov). Svidetelstvo o gosudarstvennoy registratsii bazy dannyh No. 2021620329, date 2021-02-25.” .
Рецензия
Для цитирования:
Аверина М.Д., Леванова О.А., Грушевская Д., Кухарев К.А., Мурин Д.М., Калинин М.А. Детекция БПЛА при помощи нейронных сетей. Моделирование и анализ информационных систем. 2024;31(2):182-193. https://doi.org/10.18255/1818-1015-2024-2-182-193
For citation:
Averina M.D., Levanova O., Grushevskaya D.V., Kukharev K.A., Murin D.M., Kalinin M.A. UAV detection using neural networks. Modeling and Analysis of Information Systems. 2024;31(2):182-193. (In Russ.) https://doi.org/10.18255/1818-1015-2024-2-182-193
Просмотров: 246
Послать статью по эл. почте 