深度视觉:通过深度学习网络在可见图像中增强无人机检测和识别
Hassan J Al Dawasari1,2, Muhammad Bilal1,2, Muhammad Moinuddin1,2
1Electrical and Computer Engineering Department, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了一种深度学习方法,以区分无人机与鸟类,这对机场安全至关重要. 该SqueezeNet模型实现了卓越的准确性和速度,用于实时无人机检测.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 航空航天工程 航空航天工程
背景情况:
- 无人机由于滥用而对机场基础设施构成重大风险.
- 未经授权的无人机活动多次扰乱了飞行业务.
- 将无人机与鸟类区分开来是具有挑战性的,因为它们的外观和飞行模式都很相似.
研究的目的:
- 开发和评估一种创新的深度学习方法,以区分无人机和鸟类.
- 解决探测小型无人机和区分它们与航空目标的挑战.
- 提高无人机检测系统的准确性和效率,以提高航空安全.
主要方法:
- 为无人机和鸟类分类提出了一种新的深度学习方法.
- 开发了一种具有重叠的强大的图像片技术,以加强对小型无人机的检测.
- 评估了包括SqueezeNet,MobileNetV2,ResNet18和ResNet50在内的各种卷积神经网络 (CNN) 模型.
- 使用2020年无人机与鸟类检测挑战的数据集和未见的数据集来评估性能.
主要成果:
- SqueezeNet模型表现出卓越的性能,在中等面积比率下达到0.770的平均精度 (AP).
- 提出的方法,特别是SqueezeNet,在准确性和速度上超过了现有的无人机检测系统.
- 图像采集技术显著改善了非常小的无人机的检测.
- 该系统准确地识别和区分了无人机和鸟类.
结论:
- 开发的深度学习方法为实时无人机检测和识别提供了可靠的解决方案.
- SqueezeNet非常适合在机场环境中准确有效地检测无人机.
- 该方法通过减轻与未经授权的无人机存在相关的风险来提高航空安全.
