ارائه یک روش مبتنی بر شبکه های یادگیری عمیق به منظور تشخیص پهپاد از داده های عمق

امروزه پهپادها به دلیل مزایای فراوان و طیف گسترده ای از کاربردها از قبیل نقشه برداری، کشاورزی و مدیریت بحران بسیار مورد توجه قرار گرفته اند و جایگزین بسیاری از روش های سنتی موجود گردیده اند. با این وجود گسترش پهپادها و ورود غیرمجاز آن ها به زیرساخت های مهم مانند ساختمان های دولتی می تواند زمینه تهدیدهای احتمالی را در تامین امنیت عمومی جامعه ایجاد کند. از این رو تدابیر متقابل نظیر به کارگیری سامانه های تشخیص، محلی سازی و رهگیری پهپادهای کوچک بسیار حایز اهمیت است. در سال های اخیر روش های تشخیص مبتنی بر شبکه های عصبی و رویکردهای یادگیری عمیق، توانایی قابل توجهی در حوزه تشخیص پهپاد از خود نشان داده است. از این رو در این تحقیق از یک روش تشخیص مبتنی بر شبکه های یادگیری عمیق پیچشی به منظور تشخیص پهپاد استفاده شده است. از سوی دیگر استفاده از تصاویر مریی با مشکلاتی از قبیل وجود نواحی پنهان، پیش زمینه شلوغ و عدم امکان جداسازی پیش زمینه و مشکلات نور داخل تصویر مواجه هستند. هم چنین سامانه های مبتنی بر تصویر حرارتی، با وجود بهره مندی از قدرت دید در شب، دارای قدرت تفکیک مکانی کمتری نسبت به تصویر مریی می باشند که روند تشخیص پهپاد را با مشکل دقت مواجه می کند. اخیرا، استفاده از تصاویر عمق که چالش های مرتبط با تصاویر مریی را ندارند و نشان دهنده میزان دوری و نزدیکی شی تا دوربین هستند، بسیار مورد استقبال قرار گرفته است. در این پژوهش با استفاده از مجموعه تصاویر عمق شبیه سازی و واقعی و با استفاده از شبکه یادگیری عمیق YOLO(You Only Look Once) به تشخیص پهپاد، پرداخته شده است. تصاویر عمق واقعی در این پژوهش از طریق الگوریتم تناظر یابی شبه سراسری (SGM) به دست آمده و سرانجام اعتبار سنجی مدل آموزش دیده، با انواع تصاویر عمق واقعی و شبیه سازی با سه نوع پهپاد در محیط داخل و خارج بررسی شده است. در نهایت نتایج حاصل از تشخیص پهپاد با شبکه یادگیری عمیق موردنظر در تصاویر عمق شبیه سازی به میانگین دقت 84 درصد، میانگین زمان 125 میلی ثانیه و در تصاویر عمق واقعی به میانگین دقت 74 درصد، میانگین زمان 133 میلی ثانیه رسید.