KẾT HỢP FASTER R-CNN VÀ YOLOv2 CHO VIỆC PHÁT HIỆN MÁY BAY KHÔNG NGƯỜI LÁI TRONG ẢNH

Phạm Văn Việt

doi:10.34238/tnu-jst.4465

KẾT HỢP FASTER R-CNN VÀ YOLOv2 CHO VIỆC PHÁT HIỆN MÁY BAY KHÔNG NGƯỜI LÁI TRONG ẢNH

Thông tin bài báo

Ngày nhận bài: 09/05/21 Ngày hoàn thiện: 28/05/21 Ngày đăng: 31/05/21

Các tác giả

Phạm Văn Việt , Trường Đại học Kỹ thuật Lê Quý Đôn

Tóm tắt

Ngày nay, máy bay không người lái (drone) được sử dụng rộng rãi cho các mục đích khác nhau vì chúng không quá đắt. Các drone được sử dụng làm các phương tiện mang vật liệu nổ, máy ảnh và vật bất hợp pháp có thể gây ra các mối đe dọa an ninh. Thị giác máy tính có thể được áp dụng để phát hiện các drone hoạt động bất hợp pháp một cách hiệu quả trong nhiều điều kiện khác nhau. Một hệ thống dựa trên máy tính sử dụng các camera hiện đại có thể phát hiện ra các drone nhỏ ở xa. Hệ thống cũng có thể nhận biết được các drone tốc độ thấp và không được điều khiển từ mặt đất. Hơn nữa, hệ thống có thể hiển thị các drone thực sự. Điều này giúp hệ thống thân thiện với người dùng. Bài báo này đề xuất một cách tiếp cận lai kết hợp hai mạng nơ-ron tích chập mới nổi: Faster R-CNN và YOLOv2 để phát hiện các drone trong ảnh. Kết quả thử nghiệm cho thấy rằng phương pháp này có thể thêm tới gần 5% và hơn 11% cho độ chính xác và độ tái hiện cho Faster R-CNN và thêm tới 3% và hơn 6% cho hai chỉ số này cho YOLOv2. Việc phát hiện tốt hơn này là kết quả của sự kết hợp của hai mạng. Nếu một mạng không thể phát hiện các drone trong một bức ảnh, mạng khác có thể trợ giúp.

Từ khóa

Học máy; Thị giác máy tính; Mạng nơ-ron tích chập; Faster R-CNN và YOLO; Phát hiện máy bay không người lái

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] E. Unlu, E. Zenou, N. Riviere, and P.-E. Dupouy, "Deep learning-based strategies for the detection and tracking of drones using several cameras," IPSJ Transactions on Computer Vision and Applications, vol. 11, no. 7, pp. 1-13, 2019.

[2] V. V. Pham, "A new approach using computer vision for drone detection," TNU Journal of Science and Technology, vol. 225, no. 11, pp. 11-18, 2020.

[3] NovoQuad, "ND-BU001 Standard Anti-Drone System," 2020. [Online]. Available: https://www.nqdefense.com/products/anti-drone-system/nd-bu001-standard-anti-drone-system/. [Accessed Jan. 5, 2021].

[4] DRONESHIELD, "DroneSentry: Autonomous Drone Detection & Countermeasure," 2020. [Online]. Available: https://www.droneshield.com/sentry. [Accessed Mar. 15, 2020].

[5] G. Fatih, Ü. Göktürk, S. Erol, and K. Sinan, "Vision-Based Detection and Distance Estimation of Micro Unmanned Aerial Vehicles," Sensors, vol. 15, no. 9, pp. 23805-23846, 2015.

[6] T. Ahmed, T. Rahman, B. B. Roy, and J. Uddin, "Drone Detection by Neural Network Using GLCM and SURF," Journal of Information Systems and Telecommunication, vol. 9, no. 33, pp. 15-24, 2021.

[7] L. Mejias, S. McNamara, J. Lai, and J. Ford, "Vision-based detection and tracking of aerial targets for UAV collision avoidance," IEEE/RSJ International Conference on Intelligent Robots and Systems, Taipei, Taiwan, 2010

[8] A. Rozantsev, V. Lepetit, and P. Fua, "Detecting Flying Objects Using a Single Moving Camera," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 5, pp. 879-892, 2016.

[9] A. Sharjeel, S. A. Z. Naqvi, and M. Ahsan, "Real time drone detection by moving camera using COROLA and CNN algorithm," Journal of the Chinese Institute of Engineers, vol. 44, no. 2, pp. 128-137, 2021.

[10] J. Redmon and A. Farhadi, "YOLO9000: better, faster, stronger," IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, HI, USA, 2017.

[11] J. Redmon and A. Farhadi, "YOLOv3: An Incremental Improvement," 2018. [Online]. Available: arXiv:1804.02767. [Accessed Jan. 5, 2021].

[12] C. Aker and S. Kalkan, "Using Deep Networks for Drone Detection," IEEE International Conference on Advanced Video and Signal Based Surveillance, Lecce, Italy, 2017.

[13] M. Wu, W. Xie, X. Shi, P. Shao, and Z. Shi, "Real-Time Drone Detection Using Deep Learning Approach," International Conference on Machine Learning and Intelligent Communications, Hangzhou, China, 2018.

[14] S. Ren, K. He, R. Girshick, and J. Sun, "Faster R-CNN: Towards real-time object detection with region proposal networks," Conference on Neural Information Processing Systems, Montreal, Canada, 2015.

[15] R. Girshick, "Fast R-CNN," IEEE International Conference on Computer Vision, Santiago, Chile, 2015.

[16] C. Reiser, "Bounding box detection of drones (small scale quadcopters) with CNTK Fast R-CNN," 2017. [Online]. Available: https://github.com/creiser/drone-detection. [Accessed Jan. 5, 2021].

DOI: https://doi.org/10.34238/tnu-jst.4465

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ