Разработка модели классификации БПЛа и птиц на основе нейросети YOLOv9 для совершенствования антидрон систем

В статье представлены материалы разработки модели классификации и распознавания БПЛА и птиц на основе нейронной сети архитектуры YOLOv9 в оптико-электронных каналах систем Антидрон. Для обучения нейронной сети был подготовлен набор данных в виде аннотированных изображений БПЛА и птиц. Общее количество, с учетом дополнения, составило 5265 изображений. Обучение, верификация и тестирование нейронных сетей осуществлялись в операционной системе Windows 11, в среде исполнения Python 3.10.8 и среде разработки Pycharm 2024. Процесс обучения осуществлялся на базе графического процессора AD103 видеокарты NVIDIA GeForce RTX 4080 с поддержкой CUDA Toolkit 12.1. В результате обучения нейронной сети были получены следующие метрики: mAP50-95: 0,59; mAP50: 0,95; Recall: 0,89; Precision: 0,95. По этим показателям обученная модель превосходит модели распознавания и классификации БПЛА и птиц, обученные на основе YOLOv2, YOLOv4, YOLOv5, YOLOv7 и YOLOX. Результаты вывода на двух видео с полетами БПЛА DJI Inspire 2 и DJI Mini 3 показали значения FPS 131 и 119 соответственно. Было установлено, что благодаря полученным показателям точности и FPS обученная модель YOLOv9 может быть использована в качестве модуля для распознавания и классификации БПЛА и птиц в реальном времени в оптико-электронных каналах наблюдения систем Антидрон.

1. Mahdavi F., Rajabi R. (2020). Drone Detection Using Convolutional Neural Networks, 2020 6th Iranian Conference on Signal Processing and Intelligent Systems (ICSPIS), Mashhad, Iran, 2020, pp. 1-5, DOI: 10.1109/ICSPIS51611.2020.9349620.

2. Hammer M., Borgmann B., Hebel M., Arens M. (2020). Image-based classification of small flying objects detected in LiDAR point clouds. Proceedings of SPIE - The International Society for Optical Engineering, 11410, 1141002. DOI: 10.1117/12.2557246.

3. Mebtouche N.E.-D., Baha N. (2022). Robust UAV detection based on saliency cues and magnified features on thermal images. Multimedia Tools and Applications. 82(13), pp. 20039-20058. DOI: 10.1007/s11042-022-14271-3.

4. Beasley P., Ritchie M., Griffiths H., Miceli W., Inggs M., Lewis S., Kahn B. (2020). Multistatic Radar Measurements of Uavs at X-Band and L-Band. IEEE National Radar Conference - Proceedings, 2020- September, art. no. 9266444. DOI: 10.1109/RadarConf2043947.2020.9266444.

5. Teo M.I., Seow C.K., Wen K. (2021). 5G Radar and Wi-Fi Based Machine Learning on Drone Detection and Localization. 2021 IEEE 6th International Conference on Computer and Communication Systems (ICCCS), Chengdu, China, 2021, pp. 875-880, DOI: 10.1109/ICCCS52626.2021.9449224.

6. Flak P., Czyba R. (2023). RF Drone Detection System Based on a Distributed Sensor Grid With Remote Hardware-Accelerated Signal Processing. IEEE Access. PP. 1-1. DOI: 10.1109/ACCESS.2023.3340133.

7. Yang S., Luo Y., Miao W., Ge C., Sun W., Luo C. (2021). RF Signal-Based UAV Detection and Mode Classification: A Joint Feature Engineering Generator and Multi-Channel Deep Neural Network Approach. Entropy. 23. 1678. DOI: 10.3390/e23121678.

8. Al-Emadi S., Al-Ali A., Al-Ali A. (2021) Audio-based drone detection and identification using deep learning techniques with dataset enhancement through generative adversarial networks. Sensors 2021, 21, 4953. DOI: 10.3390/s21154953.

9. Salman S., Mir J., Farooq M.T., Malik A.N., Haleemdeen R. (2021) Machine learning inspired efficient audio drone detection using acoustic features. In Proceedings of the 2021 International Bhurban Conference on Applied Sciences and Technologies (IBCAST), Islamabad, Pakistan, 12-16 January 2021; pp. 335-339. DOI: 10.1109/IBCAST51254.2021.9393232.

10. Svanstrom F., Alonso-Fernandez F., Englund C. (2021). A Dataset for Multi-Sensor Drone Detection. Data in Brief. 39. DOI: 10.1016/j.dib.2021.107521.

11. Semenyuk V., Kurmashev I., Lupidi A., Cantelli-Forti A. (2023). Developing the GoogleNet neural network for the detection and recognition of unmanned aerial vehicles in the Data Fusion System. EasternEuropean Journal of Enterprise Technologies, 2(9-122), pp. 16-25. DOI: 10.15587/1729-4061.2023.276175.

12. Jajaga E., Rushiti V., Ramadani B., Pavleski D., Cantelli-Forti A., Stojkovska B., Petrovska O. (2022). An Image-Based Classification Module for Data Fusion Anti-drone System. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 13374 LNCS, pp. 422-433 DOI: 10.1007/978-3-031-13324-4_36.

13. Elbit Systems (2024). ReDrone. [online] Elbit Systems. Available at: https://elbitsystems.com/product/redrone/ [Accessed 22 June, 2024].

14. Dedrone (2024). DedroneRapidResponse: Multi-Layered Mobile Drone Detection Unit. [online] Dedrone. Available at: https://www.dedrone.com/solutions/dedrone-rapid-response [Accessed 22 June, 2024].

15. Singha S., Aydin B. (2021). Automated Drone Detection Using YOLO v4. Drones. September 2021. DOI: 10.3390/drones5030095.

16. Seidaliyeva U., Alduraibi M., Ilipbayeva L., Almagambetov A. (2020). Detection of Loaded and Unloaded UAV Using Deep Neural Network. In Proceedings of the 2020 Fourth IEEE International Conference on Ro-botic Computing (IRC), Taichung, Taiwan, 9-11 November 2020; pp. 490-494. DOI: 10.1109/IRC.2020.00093.

17. Aydin B., Singha S. (2023). Drone Detection Using YOLO v5. Eng. 4. DOI: 10.3390/eng4010025.

18. Zhai X., Huang Z., Li T., Liu H., Wang S. (2023). YOLO-Drone: An Optimized YOLOv8 Network for Tiny UAV Object Detection. Electronics. 12. 3664. DOI: 10.3390/electronics12173664.