Combining Visible and Infrared Spectrum Imagery using Machine Learning for Small Unmanned Aerial System Detection ist ein Forschungspapier von Vinicius G. Goecks, Grayson Woods und John Valasek von Texas A&M.

Die Nachfrage nach Technologien und Lösungen zur Bekämpfung kommerziell verfügbarer kleiner unbemannter Luftfahrtsysteme (sUAS) steigt. Fortschritte im Bereich des maschinellen Lernens und der tiefen neuronalen Netze für die Objekterkennung in Verbindung mit den geringeren Kosten und dem geringeren Energiebedarf von Kameras haben den Weg für vielversprechende bildverarbeitungsbasierte Lösungen für die Erkennung von sUAS geebnet. Die ausschließliche Verwendung des sichtbaren Spektrums stellt jedoch in kontrastarmen Szenarien, wie z. B. beim Flug von sUAS unterhalb der Baumgrenze oder bei hellen Lichtquellen, ein Problem für die Zuverlässigkeit dar. Als Alternative kann die Verwendung von langwelligen Infrarot-Sensoren (LWIR), die die relativ hohe Wärmesignatur von sUAS während des Fluges erfassen, Bilder erzeugen, die das sUAS effektiv von seinem Hintergrund unterscheiden.

Im Vergleich zu den leicht zugänglichen Sensoren des sichtbaren Spektrums weisen die LWIR-Sensoren jedoch eine geringere Auflösung auf und können bei Wärmequellen wie Vögeln vermehrt falsch-positive Ergebnisse liefern. Diese Forschungsarbeit schlägt eine Lösung vor, indem sie die Stärken von LWIR- und sichtbaren Spektralsensoren durch maschinelles Lernen für die bildbasierte Erkennung von kleine unbemannte Luftfahrtsysteme (sUAS). Durch die Nutzung des erhöhten Hintergrundkontrasts des LWIR-Sensors und dessen Synchronisierung mit der relativ hohen Auflösung des Sensors für das sichtbare Spektrum kann ein Deep-Learning-Modell wurde trainiert, um zu erkennen sUAS auch in schwierigen Umgebungen.

Datum der Veröffentlichung- April 2020

Combining Visible and Infrared Spectrum Imagery using Machine Learning for Small Unmanned Aerial System Detection enthält die folgenden Hauptabschnitte:

  • Einführung
  • Verwandte Arbeiten
  • Methoden
  • Ergebnisse und Diskussion
  • Schlussfolgerung
  • Beschränkungen und zukünftige Arbeiten

Es sind keine Einschränkungen für die Verbreitung dieses Dokuments bekannt. C-UAS Hub macht sich diese Inhalte nicht zu eigen und bietet einen Link für Nutzer auf der unten der Seite, um sie an ihrem ursprünglichen Ort aufzurufen. Dies ermöglicht es dem/den Autor(en), wichtige Artikelmetriken im Zusammenhang mit ihrer Arbeit zu verfolgen. Alle Angaben gehen an den rechtmäßigen Eigentümer.

Post Image Credit- envatoelements von halber Punkt