Giải pháp tinh gọn để tự động phát hiện và ước lượng khoảng cách đến máy bay không người lái siêu nhẹ sử dụng ảnh quang học và trí tuệ nhân tạo
194 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.83.2022.11-21Từ khóa:
Máy bay không người lái siêu nhẹ; Phát hiện chấm đen; Phát hiện flycam; Mô hình YOLOv3; Làm rõ đối tượng.Tóm tắt
Bài báo này đề xuất một giải pháp tự động phát hiện máy bay không người lái siêu nhẹ (flycam) sử dụng duy nhất một camera PTZ động. Hệ thống phát hiện flycam theo một quy trình ba bước: phát hiện chấm đen, làm rõ chấm đen có phải flycam không và ước lượng khoảng cách đến flycam. Việc phát hiện và làm rõ chấm đen được thực hiện bởi một mô hình trí tuệ nhân tạo dựa trên kiến trúc của YOLOv3, được huấn luyện với tập dữ liệu về flycam do nhóm tác giả xây dựng. Ở bước phát hiện chấm đen, camera PTZ liên tục quay và chụp lại hình ảnh của khu vực cần giám sát rồi chuyển hình ảnh tới mô hình trí tuệ nhân tạo để xử lý. Khi phát hiện có chấm đen, hệ thống sẽ thực hiện làm rõ chấm đen đó có phải flycam hay không, nếu đúng, hệ thống sẽ bám theo đối tượng, đồng thời ước lượng khoảng cách đến đối tượng. Giải pháp trên được nghiên cứu và thử nghiệm với các loại flycam thông dụng. Kết quả cho thấy, hệ thống có thể tự động phát hiện flycam với độ chính xác cao ở khoảng cách lên đến 500 mét.
Tài liệu tham khảo
[1]. Y. C. Lai, Z. Y. Huang, “Detection of a Moving UAV Based on Deep Learning-Based Distance Estimation,” Remote Sens. (2020). https://doi.org/10.3390/rs12183035. DOI: https://doi.org/10.3390/rs12183035
[2]. F. Svanström, C. Englund and F. Alonso-Fernandez, "Real-Time Drone Detection and Tracking with Visible, Thermal and Acoustic Sensors," 2020 25th International Conference on Pattern Recognition (ICPR), pp. 7265-7272, (2021), doi: 10.1109/ICPR48806.2021.9413241. DOI: https://doi.org/10.1109/ICPR48806.2021.9413241
[3]. E. Unlu, E. Zenou, N. Riviere, P. E. Dupouy, “Deep learning-based strategies for the detection and tracking of drones using several cameras,” IPSJ T Comput Vis Appl 11, 7 (2019). https://doi.org/10.1186/s41074-019-0059-x. DOI: https://doi.org/10.1186/s41074-019-0059-x
[4]. Igor S. Golyak, Dmitriy R. Anfimov, Iliya S. Golyak, Andrey N. Morozov, Anastasiya S. Tabalina, and Igor L. Fufurin, “Methods for real-time optical location and tracking of unmanned aerial vehicles using digital neural networks,” Proc. SPIE 11394, Automatic Target Recognition XXX, 113941B (2020); doi: 10.1117/12.2573209. DOI: https://doi.org/10.1117/12.2573209
[5]. N. H. Hoang, N. L. Cuong, T. V. Kien, “Measuring the arrival time of signal to determine coordinates of ultra-light drone,” Journal of Military Science and Technology, FEE (2020), (in Vietnamese).
[6]. Seidaliyeva, Ulzhalgas & Akhmetov, Daryn & Ilipbayeva, Lyazzat & Matson, Eric., “Real-Time and Accurate Drone Detection in a Video with a Static Background,” Sensors. 20. 3856. 10.3390/s20143856, (2020). DOI: https://doi.org/10.3390/s20143856
[7]. Y. Hu, X. Wu, G. Zheng and X. Liu, "Object Detection of UAV for Anti-UAV Based on Improved YOLO v3," 2019 Chinese Control Conference (CCC), 2019, pp. 8386-8390, (2019). doi: 10.23919/ChiCC.2019.8865525. DOI: https://doi.org/10.23919/ChiCC.2019.8865525
[8]. D. K. Behera and A. Bazil Raj, "Drone Detection and Classification using Deep Learning," 2020 4th International Conference on Intelligent Computing and Control Systems (ICICCS), pp. 1012-1016, (2020). doi: 10.1109/ICICCS48265.2020.9121150. DOI: https://doi.org/10.1109/ICICCS48265.2020.9121150
[9]. Hassan, Syed & Rahim, Tariq & Shin, Soo., “Real-time UAV Detection based on Deep Learning Network,” 630-632. 10.1109/ICTC46691.2019.8939564, (2019). DOI: https://doi.org/10.1109/ICTC46691.2019.8939564
[10]. J. Redmon, S. Divvala, R. Girshick, A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” arXiv:1506.02640v5 [cs.CV], (2016). DOI: https://doi.org/10.1109/CVPR.2016.91
[11]. Joseph Redmon, Ali Farhadi, “YOLOv3: An Incremental Improvement,” arXiv: 1804.02767v1 [cs.CV], (2018).
[12]. S.V. Viraktamath, M. Yavagal, R. Byahatti, “Object Detection and Classification using YOLOv3”, International Journal of Engineering Research & Technology, Vol. 10, Issue 02, (2021).
