maisМоделирование и анализ информационных системModeling and Analysis of Information Systems1818-10152313-5417Yaroslavl State University10.18255/1818-1015-2024-2-182-193mais-1853Research ArticleArtificial IntelligenceДетекция БПЛА при помощи нейронных сетейUAV detection using neural networkshttps://orcid.org/0009-0005-3111-1488АверинаМария ДмитриевнаAverinaMaria D.maverina518@gmail.comhttps://orcid.org/0000-0001-8078-4447ЛевановаОльга АлександровнаLevanovaOlgaolaydy@gmail.comhttps://orcid.org/0009-0006-5696-5452ГрушевскаяДарьяGrushevskayaDarya V.grushevskaya.d.v@mail.ruhttps://orcid.org/0009-0006-8764-7860КухаревКирилл АлександровичKukharevKirill A.kirillkukharev76@gmail.comhttps://orcid.org/0000-0002-8068-0784МуринДмитрий МихайловичMurinDmitriy M.nirum87@mail.ruhttps://orcid.org/0009-0007-7890-6418КалининМаксим АлександровичKalininMaksim A.maksim.kalinin.2110@gmail.comЯрославский государственный университет им. П.Г. ДемидоваРоссияP.G. Demidov Yaroslavl State UniversityRussian FederationНациональный исследовательский университет «Высшая школа экономики»РоссияNational Research University Higher School of EconomicsRussian Federation202413062024312182193Copyright © Аверина М.Д., Леванова О.А., Грушевская Д.V., Кухарев К.А., Мурин Д.М., Калинин М.А., 20242024Аверина М.Д., Леванова О.А., Грушевская Д., Кухарев К.А., Мурин Д.М., Калинин М.А.Averina M.D., Levanova O., Grushevskaya D.V., Kukharev K.A., Murin D.M., Kalinin M.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.mais-journal.ru/jour/article/view/1853

Доступность беспилотных летательных аппаратов (БПЛА) привела к тому, что их стали часто использовать при совершении правонарушений. Такая ситуация делает актуальной разработку систем обнаружения БПЛА. При обнаружении БПЛА применяются различные подходы на основе анализа радиочастотных и акустических сигналов, а также обработки видео данных. Лучшие результаты в обнаружении БПЛА на видео показывают решения, основанные на глубоких нейронных сетях. В этой статье мы представляем исследование различных нейросетевых детекторов и оценку возможности их практического использования в системах видеонаблюдения. Основной акцент работы направлен на выявление как можно более маленьких объектов, вплоть до размеров $4\times4$ пикселя. В работе представлены результаты анализа архитектур SSD(VGG16), YOLOv3 и их модификаций. В качестве метрик качества использовались полнота и точность, которые вычислялись отдельно для разных размеров объекта. Лучший результат был получен для модели YOLOv3 со значениями параметров bbox, подобранных в результате кластеризации размеров объектов. При распознавании дронов размера $3\times3$ удалось достичь точности 76% при очень маленьком значении полноты 26%. Для объектов, площадь которых составляет от 10 до 20 пикселей полнота составила 64% при точности 75%. Для объектов большего размера в среднем получилась полнота 90%, точность 89% и F1-мера 90%. Данные результаты показывают, что распознавание дронов возможно даже при размере $4\times4$, что может быть успешно использовано в системах видеонаблюдения.

The availability of unmanned aerial vehicles (UAVs) has led to a significant increase in the number of offenses involving their use. This makes the development of UAV detection systems relevant. Solutions based on deep neural networks show the best results in detecting UAVs on video. This article presents a study of various neural network detectors and focuses on identifying objects as small as possible, up to the size of $4\times4$ and even $3\times3$ pixels. The work investigates architectures SSD (VGG16) and YOLOv3 and it's modifications. Precision and recall metrics are calculated separately for different intervals of the object areas. The best result have been shown by YOLOv3 model with bbox parameters chosen as the result of object sizes clustering. Small ($3\times3$ px) drones have been successfully identified with 76% precision and a very small recall of 26%. For objects between 10 and 20 pixels in area, the recall is 64% with an accuracy of 75%. For objects with an area more than 20px the recall is about 90%, the precision is 89%, and the F1 score is 90%. These results show that it is possible to recognize even $4\times4$ pixel drones, which can be used in video surveillance systems.

детекция БПЛАUAV detectionЯрГУ (проект VIP-016).Yaroslavl State University (project VIP-016).References“European ATM Master Plan: Digitalising Europe’s Aviation Infrastructure. Executive view.” 2020, doi: 10.2829/695700.“European ATM Master Plan: Digitalising Europe’s Aviation Infrastructure. Executive view.” 2020, doi: 10.2829/695700.N. Al-lQubaydhi et al., “Deep learning for unmanned aerial vehicles detection: A review,” Computer Science Review, vol. 51, p. 100614, 2024, doi: https://doi.org/10.1016/j.cosrev.2023.100614.N. Al-lQubaydhi et al., “Deep learning for unmanned aerial vehicles detection: A review,” Computer Science Review, vol. 51, p. 100614, 2024, doi: https://doi.org/10.1016/j.cosrev.2023.100614.F. Mahdavi and R. Rajabi, “Drone Detection Using Convolutional Neural Networks,” in 2020 6th Iranian Conference on Signal Processing and Intelligent Systems (ICSPIS), 2020, pp. 1–5, doi: 10.1109/ICSPIS51611.2020.9349620.F. Mahdavi and R. Rajabi, “Drone Detection Using Convolutional Neural Networks,” in 2020 6th Iranian Conference on Signal Processing and Intelligent Systems (ICSPIS), 2020, pp. 1–5, doi: 10.1109/ICSPIS51611.2020.9349620.U. Seidaliyeva, D. Akhmetov, L. Ilipbayeva, and E. T. Matson, “Real-Time and Accurate Drone Detection in a Video with a Static Background,” Sensors, vol. 20, no. 14, p. 3856, 2020, doi: 10.3390/s20143856 .U. Seidaliyeva, D. Akhmetov, L. Ilipbayeva, and E. T. Matson, “Real-Time and Accurate Drone Detection in a Video with a Static Background,” Sensors, vol. 20, no. 14, p. 3856, 2020, doi: 10.3390/s20143856 .A. Coluccia et al., “Drone vs. Bird Detection: Deep Learning Algorithms and Results from a Grand Challenge,” Sensors, vol. 21, no. 8, p. 2824, 2021, doi: 10.3390/s21082824.A. Coluccia et al., “Drone vs. Bird Detection: Deep Learning Algorithms and Results from a Grand Challenge,” Sensors, vol. 21, no. 8, p. 2824, 2021, doi: 10.3390/s21082824.S. Jamil et al., “Malicious UAV Detection Using Integrated Audio and Visual Features for Public Safety Applications,” Sensors, vol. 20, no. 14, p. 3923, 2020.S. Jamil et al., “Malicious UAV Detection Using Integrated Audio and Visual Features for Public Safety Applications,” Sensors, vol. 20, no. 14, p. 3923, 2020.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 T Comput Vis Appl, vol. 11, no. 7, p. Unlu2019, 2019, doi: 10.1186/s41074-019-0059-x.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 T Comput Vis Appl, vol. 11, no. 7, p. Unlu2019, 2019, doi: 10.1186/s41074-019-0059-x.Y. Shang, C. Liu, D. Qiu, Z. Zhao, R. Wu, and S. Tang, “AD-YOLOv5s based UAV detection for low altitude security,” International Journal of Micro Air Vehicles, vol. 15, p. 17568293231190017, 2023, doi: 10.1177/17568293231190017.Y. Shang, C. Liu, D. Qiu, Z. Zhao, R. Wu, and S. Tang, “AD-YOLOv5s based UAV detection for low altitude security,” International Journal of Micro Air Vehicles, vol. 15, p. 17568293231190017, 2023, doi: 10.1177/17568293231190017.X. Zhai, Z. Huang, T. Li, H. Liu, and S. Wang, “YOLO-Drone: An Optimized YOLOv8 Network for Tiny UAV Object Detection,” Electronics, vol. 12, p. 3664, 2023, doi: 10.3390/electronics12173664.X. Zhai, Z. Huang, T. Li, H. Liu, and S. Wang, “YOLO-Drone: An Optimized YOLOv8 Network for Tiny UAV Object Detection,” Electronics, vol. 12, p. 3664, 2023, doi: 10.3390/electronics12173664.J. Li, D. H. Ye, M. Kolsch, J. P. Wachs, and C. A. Bouman, “Fast and Robust UAV to UAV Detection and Tracking From Video,” IEEE Transactions on Emerging Topics in Computing, vol. 10, no. 3, pp. 1519–1531, 2022, doi: 10.1109/TETC.2021.3104555.J. Li, D. H. Ye, M. Kolsch, J. P. Wachs, and C. A. Bouman, “Fast and Robust UAV to UAV Detection and Tracking From Video,” IEEE Transactions on Emerging Topics in Computing, vol. 10, no. 3, pp. 1519–1531, 2022, doi: 10.1109/TETC.2021.3104555.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, 2017, doi: 10.1109/TPAMI.2016.2564408.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, 2017, doi: 10.1109/TPAMI.2016.2564408.H. Sun, J. Yang, J. Shen, D. Liang, L. Ning-Zhong, and H. Zhou, “TIB-Net: Drone Detection Network With Tiny Iterative Backbone,” IEEE Access, vol. 8, pp. 130697–130707, 2020.H. Sun, J. Yang, J. Shen, D. Liang, L. Ning-Zhong, and H. Zhou, “TIB-Net: Drone Detection Network With Tiny Iterative Backbone,” IEEE Access, vol. 8, pp. 130697–130707, 2020.O. A. Levanova, D. V. Grushevskaya, A. A. Britnev, M. D. Averina, and D. M. Murin, “Baza videodannyh s razmetkoj bespilotnyh letatel'nyh apparatov (kvadrokopterov). Svidetelstvo o gosudarstvennoy registratsii bazy dannyh No. 2021620329, date 2021-02-25.” .O. A. Levanova, D. V. Grushevskaya, A. A. Britnev, M. D. Averina, and D. M. Murin, “Baza videodannyh s razmetkoj bespilotnyh letatel'nyh apparatov (kvadrokopterov). Svidetelstvo o gosudarstvennoy registratsii bazy dannyh No. 2021620329, date 2021-02-25.” .

The authors declare that there are no conflicts of interest present.