Combining Visible and Infrared Spectrum Imagery using Machine Learning for Small Unmanned Aerial System Detection es un trabajo de investigación de Vinicius G. Goecks, Grayson Woods, y John Valasek de Texas A&M.

La demanda de tecnología y soluciones para contrarrestar los pequeños sistemas aéreos no tripulados (sUAS) disponibles en el mercado va en aumento. Los avances en el aprendizaje automático y las redes neuronales profundas para la detección de objetos, combinados con la reducción del coste y los requisitos energéticos de las cámaras, han allanado el camino a prometedoras soluciones basadas en la visión para la detección de sUAS. Sin embargo, depender exclusivamente del espectro visible ha planteado problemas de fiabilidad en escenarios de bajo contraste, como cuando los sUAS vuelan bajo la línea de árboles o frente a fuentes de luz brillantes. Como alternativa, la utilización de sensores infrarrojos de onda larga (LWIR), que captan las firmas de calor relativamente altas emitidas por los sUAS durante el vuelo, puede generar imágenes que distingan eficazmente el sUAS de su fondo.

No obstante, en comparación con los sensores de espectro visible de fácil acceso, los sensores LWIR presentan una resolución inferior y pueden generar un mayor número de falsos positivos cuando están sometidos a fuentes de calor como las aves. Esta investigación propone una solución que combina los puntos fuertes de los sensores LWIR y de espectro visible mediante el aprendizaje automático para la detección basada en la visión de... pequeños sistemas aéreos no tripulados (sUAS). Aprovechando el mayor contraste de fondo que proporciona el sensor LWIR y sincronizándolo con la resolución relativamente mejorada del sensor de espectro visible, se puede conseguir un modelo de aprendizaje profundo para detectar sUAS incluso en entornos difíciles.

Fecha de publicación- Abril de 2020

Combining Visible and Infrared Spectrum Imagery using Machine Learning for Small Unmanned Aerial System Detection contiene las siguientes secciones principales:

  • Introducción
  • Trabajos relacionados
  • Métodos
  • Resultados y debate
  • Conclusión
  • Limitaciones y trabajo futuro

No hay limitaciones de distribución de este documento. C-UAS Hub no es propietario de este contenido y proporciona un enlace para los usuarios en el fondo de la página para acceder a ella en su ubicación original. Esto permite al autor o autores hacer un seguimiento de las métricas importantes del artículo relacionadas con su trabajo. Todo el mérito es de su legítimo propietario.

Post Image Credit- envatoelements by medio punto