МЕТОД ВИЯВЛЕННЯ БАГАТОРОТОРНИХ БПЛА ЗАСОБАМИ ШТУЧНОГО ІНТЕЛЕКТУ
METHOD OF DETECTING MULTI-ROTOR UAVS USING ARTIFICIAL INTELLIGENCE
Сторінки: 84-91. Номер: №6, 2023 (329) 
Автори:
ГОРЄЛОВ Сергій
Хмельницький національний університет
e-mail: shorielov@ukr.net
БАРМАК Олександр
Хмельницький національний університет
https://orcid.org/0000-0003-0739-9678
alexander.barmak@gmail.com
МАНЗЮК Едуард
Хмельницький національний університет
https://orcid.org/0000-0002-7310-2126
eduard.em.km@gmail.com
GORELOV SERHII
Khmelnytsky National University
e-mail: shorielov@ukr.net
BARMAK OLEXANDER
Khmelnytsky National University
https://orcid.org/0000-0003-0739-9678
alexander.barmak@gmail.com
MANZIUK EDUARD
Khmelnytsky National University
https://orcid.org/0000-0002-7310-2126
eduard.em.km@gmail.com
DOI: https://www.doi.org/10.31891/2307-5732-2023-329-6-84-91
Анотація мовою оригіналу
Зростаюче використання безпілотних літальних апаратів (БПЛА) у різноманітних комерційних та технічних секторах підкреслило необхідність надійного спостереження за БПЛА, особливо з огляду на питання громадської безпеки. У відповідь на цю вимогу було швидко розвинуто методи ідентифікації БПЛА. Незважаючи на прогрес, маленький розмір дронів, складні умови повітряного простору та зміни у освітленні залишаються значними викликами в цій сфері досліджень. З метою розв’язання цих викликів проведено дослідження, що базується на новому підході до виявлення БПЛА невеликих розмірів, використовуючи вдосконалену версію YOLOv8.
Запропоновано метод, який дозволяє інтегрувати модуль високої деталізації для підвищення точності виявлення дрібних повітряних об’єктів. Також було оптимізовано архітектуру шляхом видалення елементів, що є більш важливими для великих об’єктів, тим самим зменшуючи обчислювальне навантаження та прискорюючи швидкість виявлення БПЛА. Крім того, використання Swin Transformer дозволяє краще виявляти об’єкти різних масштабів та зменшує обчислювальну складність. Також впровадження модуля уваги GAM у архітектуру мережі значно підвищує здатність до асиміляції ознак, що призводить до помітного підвищення ефективності виявлення БПЛА.
У порівнянні з оригінальною базовою моделлю, наш запропонований метод демонструє суттєві покращення, збільшуючи P (precision), R (recall) та mAP (mean average precision) на 9%, 10,2% та 6% відповідно. Крім того, він істотно оптимізує модель за кількістю вхідних параметрів на 32,5% та 32,4% відповідно. Запропонований метод у порівняльних експериментах та експериментах зі специфічними наборами даних показав велику перспективу для практичної реалізації в системах виявлення об’єктів БПЛА, що дає підстави говорити про перспективу застосування в реальних умовах.
Ключові слова: БПЛА, виявлення об’єктів, YOLOv8, глибоке навчання.
Розширена анотація англійською мовою
The escalating deployment of Unmanned Aerial Vehicles (UAVs) in various commercial and technical sectors has highlighted the need for robust UAV surveillance, particularly for public safety considerations. In response to this demand, there has been rapid advancement in methods for identifying UAVs. Despite the progress, the diminutive nature of drones, the intricate environments of aerial space, and fluctuating lighting conditions continue to present considerable challenges in this field of study. Addressing these issues, our study introduces an innovative detection approach for small UAVs, utilizing an enhanced version of YOLOv8.
Our strategy involves integrating a high-definition detection module to augment the accuracy of spotting diminutive aerial objects. Concurrently, we streamline the architecture by removing components less critical for larger objects, thereby diminishing the computational load and boosting UAV detection speed. Additionally, the use of the Swin Transformer enables better detection of objects of varying scales and reduces computational complexity. The implementation of the GAM attention module into the network architecture significantly enhances feature assimilation, leading to a noticeable increase in UAV detection efficiency.
Compared to the original baseline model, our proposed method shows substantial improvements, increasing P (precision), R (recall), and mAP (mean average precision) by 9%, 10.2%, and 6% respectively. Furthermore, it significantly optimizes the model and its size by 32,5% and 32,4%. The proposed method, in comparative experiments and experiments with specific datasets, has shown great potential for practical implementation in UAV detection systems, suggesting its feasibility for real-world application.
Keywords: UAV; object detection; YOLOv8; deep learning.
