Anwendung von Bildverarbeitungstechniken für UAV-Detektion Einsatz von Deep Learning und Abstandsanalyse in einem frei zugänglich Arbeit von Bedanshu Dewangan, Aditya Saxena, Rahul Thakur und Shrivishal Tripath.

Drohnen werden zunehmend in verschiedene Aspekte des täglichen Lebens integriert und dienen Zwecken in der Landwirtschaft, bei militärischen Operationen, kommerziellen Unternehmungen, der Katastrophenhilfe, der Forschung und mehr. Die Verbreitung kleiner Drohnen oder unbemannter Luftfahrzeuge (UAVs) hat in den letzten Jahren stark zugenommen und gibt Anlass zur Sorge über ihren möglichen Missbrauch für illegale Aktivitäten, einschließlich Terrorismus und Drogenhandel. Dies unterstreicht den dringenden Bedarf an genauen und zuverlässigen UAV-Identifikationssystemen, die in unterschiedlichen Umgebungen funktionieren.

In diesem Beitrag werden verschiedene Iterationen der hochmodernen YOLO-Objekterkennungsmodelle (You Only Look Once) untersucht, die Computer Vision- und Deep Learning-Techniken zur Erkennung kleiner UAVs nutzen. Die Autoren schlagen vor, verschiedene Bildverarbeitungsmethoden in die bestehenden YOLO-Modelle zu integrieren, um die Erkennungsgenauigkeit zu verbessern, was zu bemerkenswerten Leistungssteigerungen führt.

In dieser Studie wurde eine mittlere durchschnittliche Präzision (mAP) von 96,7%, ein Intersection over Union (IoU) Schwellenwert von 50%, eine Präzision von 95% und ein Recall von 95,6% erreicht. Darüber hinaus haben wir eine Entfernungsanalyse durchgeführt und die Erkennungsgenauigkeit für UAVs im Nah-, Mittel- und Fernbereich bewertet.

Datum der Veröffentlichung- März 2023

Application of Image Processing Techniques for UAV Detection Using Deep Learning and Distance-Wise Analysis enthält die folgenden Hauptabschnitte:

  • Einführung
  • Verwandte Arbeiten und Beiträge
  • Methodik
  • Experimenteller Aufbau
  • Ergebnisse und Erläuterung
  • Schlussfolgerungen

Post Image Credit- Adobe Stock by Di Studio (Erstellt mit AI)