Combining Visible and Infrared Spectrum Imagery using Machine Learning for Small Unmanned Aerial System Detection to artykuł badawczy autorstwa Viniciusa G. Goecksa, Graysona Woodsa i Johna Valaska z firmy Texas A&M.

Zapotrzebowanie na technologie i rozwiązania przeciwdziałające komercyjnie dostępnym małym bezzałogowym systemom powietrznym (sUAS) stale rośnie. Postępy w uczeniu maszynowym i głębokich sieciach neuronowych do wykrywania obiektów, w połączeniu ze zmniejszonymi kosztami i wymaganiami dotyczącymi zasilania kamer, utorowały drogę obiecującym rozwiązaniom opartym na wizji w wykrywaniu sUAS. Jednak poleganie wyłącznie na widmie widzialnym stwarza wyzwania związane z niezawodnością w scenariuszach o niskim kontraście, takich jak loty sUAS pod linią drzew lub przy jasnych źródłach światła. Alternatywą jest wykorzystanie czujników dalekiej podczerwieni (LWIR), które wychwytują stosunkowo wysokie sygnatury cieplne emitowane przez sUAS podczas lotu, mogą generować obrazy, które skutecznie odróżniają sUAS od tła.

Niemniej jednak, w porównaniu z łatwo dostępnymi czujnikami widma widzialnego, czujniki LWIR wykazują niższą rozdzielczość i mogą generować więcej fałszywych alarmów, gdy są narażone na działanie źródeł ciepła, takich jak ptaki. Niniejsze badania sugerują rozwiązanie polegające na połączeniu mocnych stron czujników LWIR i czujników widma widzialnego poprzez uczenie maszynowe w celu wizyjnego wykrywania małe bezzałogowe systemy powietrzne (sUAS). Dzięki wykorzystaniu zwiększonego kontrastu tła zapewnianego przez czujnik LWIR i zsynchronizowaniu go ze stosunkowo zwiększoną rozdzielczością czujnika widma widzialnego, system Model głębokiego uczenia został przeszkolony do wykrywania sUAS nawet w trudnych warunkach.

Data publikacji- Kwiecień 2020 r.

Łączenie obrazów w zakresie widzialnym i podczerwonym z wykorzystaniem uczenia maszynowego do wykrywania małych bezzałogowych systemów powietrznych zawiera następujące główne sekcje:

  • Wprowadzenie
  • Powiązane prace
  • Metody
  • Wyniki i dyskusja
  • Wnioski
  • Ograniczenia i przyszłe prace

Nie ma żadnych ograniczeń dotyczących dystrybucji tego dokumentu. C-UAS Hub nie jest właścicielem tej zawartości i udostępnia link dla użytkowników pod adresem dno strony, aby uzyskać do niej dostęp w oryginalnej lokalizacji. Pozwala to autorom śledzić ważne metryki artykułów związane z ich pracą. Wszelkie podziękowania należą się prawowitemu właścicielowi.

Post Image Credit- envatoelements by pół punktu