Техніка та енергетика

РОЗРОБКА АЛГОРИТМУ ВИЯВЛЕННЯ КОМЕРЦІЙНИХ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ ЗА ДОПОМОГОЮ МЕТОДІВ МАШИННОГО НАВЧАННЯ

Руслан Єрмоленко, Денис Клекоць, Ольга Гогота
Завантажити статтю
Анотація

Дане дослідження було спрямоване на тренування алгоритмів виявлення комерційних безпілотних літальних апаратів з використанням методів машинного навчання. Під час дослідження для виявлення безпілотних літальних апаратів на зображеннях та відео були використані архітектури нейронних мереж YOLOv8 та MobileNetV3. Використовувані моделі були попередньо натреновані на датасеті ImageNet, а потім доопрацьовані на датасеті SimUAV, що містив зображення безпілотних апаратів чотирьох типів (Parrot A.R. Drone 2.0; DJI Inspire I; DJI Mavic 2 Pro; and Dji Phantom 4 Pro), різних розмірів та у восьми різних фонових локаціях. Результати даного дослідження підвердили, що поєднання архітектур YOLOv8 та MobileNetV3 має значний потенціал у виявленні комерційних безпілотних літальних апаратів на різних видах зображень. Навчені моделі продемонстрували високі показники в розпізнаванні та класифікації безпілотних літальних апаратів, досягаючи середньої точності виявлення (при пороговому значення IoU рівному 50%) на рівні 0,747 та 0,909, для моделей MobileNetV3_Small та MobileNetV3_Large, відповідно. Це свідчить про високу ефективність та точність моделей у виявленні об’єктів на тестових даних. Також результати дослідження включали в себе значення метрики бінарної перехресної ентропії, які склали відповідно 0,308 та 0,216, вказуючи на високу точність моделей у класифікації об’єктів, та підтверджуючи високу ефективність та надійність цих моделей в роботі з об’єктами на тестових даних. В ході дослідження модель MobileNetV3_Large показала більш точні результати порівняно з MobileNetV3_Small, що свідчить про її вищу ефективність у виявленні та класифікації літальних апаратів. Отримані результати підтверджують перспективність застосування методів машинного навчання в області систем моніторингу та безпеки, що дозволить надійно виявляти та відстежувати безпілотні літальні апарати в різних умовах. Високі показники натренерованих моделей свідчать про їх ефективність у реальних умовах експлуатації, що робить їх цінним інструментом для вирішення важливих завдань контролю та нагляду

Ключові слова

згорткова нейронна мережа, класифікація об’єктів, YOLOv8, MobileNetV3, комп’ютерний зір, бінарна перехресна ентропія

ЦИТУВАТИ
Yermolenko, R., Klekots, D., & Gogota, O. (2024). Development of an algorithm for detecting commercial unmanned aerial vehicles using machine learning methods. Machinery & Energetics, 15(2), 33-45. https://doi.org/10.31548/machinery/2.2024.33
Використані джерела

[1] Alam, K.M.R., Siddique, N., & Adeli, H. (2020). A dynamic ensemble learning algorithm for neural networks. Neural Computing and Applications, 32(12), 8675-8690. doi: 10.1007/s00521-019-04359-7.

[2] Bejani, M.M., & Ghatee, M. (2020). Theory of adaptive SVD regularization for deep neural networks. Neural Networks, 128, 33-46. doi: 10.1016/j.neunet.2020.04.021.

[3] Bhargavi, K. (2021). Deep learning architectures and tools: A comprehensive survey. In Deep learning applications and intelligent decision making in engineering (pp. 55-75). Hershey: IGI Global. doi: 10.4018/978-1-7998-2108-3.ch002.

[4] Bubryak, O.S., & Potapova, K.R. (2023). System of transportation vehicles detection on the basis of linear method SVM and neural network YOLO. In Proceedings of IX International Scientific and Practical Conference “Science and Innovation of Modern World” (pp. 206-210). London: Cognum Publishing House.

[5] Chen, L., Li, S., Bai, Q., Yang, J., Jiang, S., & Miao, Y. (2021). Review of image classification algorithms based on convolutional neural networks. Remote Sensing, 13(22), article number 4712. doi: 10.3390/rs13224712.

[6] Diwan, T., Anirudh, G., & Tembhurne, J.V. (2023). Object detection using YOLO: Challenges, architectural successors, datasets and applications. Multimedia Tools and Applications, 82(6), 9243-9275. doi: 10.1007/s11042-022-13644-y.

[7] Ghoreyshi, A.M., AkhavanPour, A., & Bossaghzadeh, A. (2020). Simultaneous vehicle detection and classification model based on deep YOLO networks. In 2020 International Conference on Machine Vision and Image Processing (MVIP) (pp. 1-6). Piscataway: Institute of Electrical and Electronics Engineers. doi: 10.1109/MVIP49855.2020.9116922.

[8] Gündüz, M.Ş., & Işık, G. (2023). A new YOLO-based method for real-time crowd detection from video and performance analysis of YOLO models. Journal of Real-Time Image Processing, 20(1), article number 5. doi: 10.1007/s11554-023-01276-w.

[9] Hammami, M., Friboulet, D., & Kechichian, R. (2020). Cycle GAN-based data augmentation for multi-organ detection in CT images via Yolo. In 2020 IEEE International Conference on Image Processing (ICIP) (pp. 390-393). Abu Dhabi: Institute of Electrical and Electronics Engineers. doi: 10.1109/ICIP40778.2020.9191127.

[10] Hasibuan, N.N., Zarlis, M., & Efendi, S. (2021). Detection and tracking different type of cars with YOLO model combination and deep sort algorithm based on computer vision of traffic controlling. Synchronous: Journal and Research of Informatics Engineering, 6(1), 210-221.

[11] He, J., Erfani, S., Ma, X., Bailey, J., Chi, Y., & Hua, X.S. (2021). Alpha-IoU: A family of power intersection over union losses for bounding box regression. Advances in Neural Information Processing Systems, 34, 20230-20242.

[12] ImageNet Large Scale Visual Recognition Challenge (ILSVRC). (n.d.). Retrieved from https://image-net.org/challenges/LSVRC/index.php.

[13] Janulin, M., Vrublevskyi, O., & Prokhorenko, A. (2022). Energy minimization in city electric vehicle using optimized multi-speed transmission. International Journal of Automotive and Mechanical Engineering, 19(2), 9721-9733. doi: 10.15282/ijame.19.2.2022.08.0750.

[14] Jiang, P., Ergu, D., Liu, F., Cai, Y., & Ma, B. (2022). A review of Yolo algorithm developments. Procedia Computer Science, 199, 1066-1073. doi: 10.1016/j.procs.2022.01.135.

[15] Kushnir, N.O., Loktikova, T.M., Morozov, A.V., & Yurchenko, V.O. (2022). The use of convolutional neural networks in image object recognition and classification tasks. Technical Engineering, 1(89), 93-100. doi: 10.26642/ten-2022-1(89)-93-100.

[16] Lin, C.J., Lin, C.H., & Wang, S.H. (2021). Integrated image sensor and light convolutional neural network for image classification. Mathematical Problems in Engineering, 2021, article number 5573031. doi: 10.1155/2021/5573031.

[17] Liu, W., Ren, G., Yu, R., Guo, S., Zhu, J., & Zhang, L. (2022). Image-adaptive YOLO for object detection in adverse weather conditions. Proceedings of the AAAI Conference on Artificial Intelligence, 36(2), 1792-1800. doi: 10.1609/aaai.v36i2.20072.

[18] Najjar, L., & Baskaya, F.A.T. (2022). Drone-based SVP utilization for revitalizing under-valued public open spaces: Case of Istanbul. DISEGNARECON, 15(29). doi: 10.20365/disegnarecon.29.2022.17.

[19] Nguyen, H.L., & Huynh, K.T. (2023). New model for low-end computers: ResNet and VGG-16. Science and Technology Development Journal, 26(1), 2672-2680. doi: 10.32508/stdj.v26i1.4030.

[20] PaddleYOLO. (n.d.). Retrieved from https://github.com/RangeKing/PaddleYOLO.

[21] Pidpalyi, O. (2024). Future prospects: AI and machine learning in cloud-based SIP trunking. Bulletin of Cherkasy State Technological University, 29(1), 24-35. doi: 10.62660/bcstu/1.2024.24.

[22] Rahmad, C., Asmara, R.A., Putra, D.R.H., Dharma, I., Darmono, H., & Muhiqqin, I. (2020). Comparison of Viola-Jones Haar Cascade classifier and histogram of oriented gradients (HOG) for face detection. IOP Conference Series: Materials Science and Engineering, 732, article number 012038. doi: 10.1088/1757-899X/732/1/012038.

[23] Raja, R., Kumar, S., & Mahmood, M.R. (2020). Color object detection based image retrieval using ROI segmentation with multi-feature method. Wireless Personal Communications, 112(1), 169-192. doi: 10.1007/s11277-019-07021-6.

[24] Rui, C., Youwei, G., Huafei, Z., & Hongyu, J. (2021). A comprehensive approach for UAV small object detection with simulation-based transfer learning and adaptive fusion. ARXIV. doi: 10.48550/arXiv.2109.01800.

[25] Shuai, Q., & Wu, X. (2020). Object detection system based on SSD algorithm. In 2020 International Conference on Culture-oriented Science & Technology (ICCST) (pp. 141-144). Beijing: Institute of Electrical and Electronics Engineers. doi: 10.1109/ICCST50977.2020.00033.

[26[ SimUAV. (n.d.). Retrieved from https://github.com/mlcaepiee/SimUAV/tree/main?tab=readme-ov-file.

[27] Song, T.-G., Pirahandeh, M., Ahn, C.-J., & Kim, D.-H. (2018). GPU-accelerated high-performance encoding and decoding of hierarchical RAID in virtual machines. Journal of Supercomputing, 74(11), 5865-5888. doi: 10.1007/s11227-017-1969-y.

[28] Taherkhani, A., Cosma, G., & McGinnity, T.M. (2020). AdaBoost-CNN: An adaptive boosting algorithm for convolutional neural networks to classify multi-class imbalanced datasets using transfer learning. Neurocomputing, 404, 351-366. doi: 10.1016/j.neucom.2020.03.064.

[29] Thakur, R.S., Chatterjee, S., Yadav, R.N., & Gupta, L. (2021). Image de-noising with machine learning: A review. IEEE Access, 9, 93338-93363. doi: 10.1109/ACCESS.2021.3092425.

[30] The YOLOV8Detector model. (n.d.). Retrieved from https://keras.io/api/keras_cv/models/tasks/yolo_v8_detector/.

[31] Tishchenko, S., & Kuznetsov, E. (2024). Neural networks for the task of image classification. Science and Technology Today, 3(31), 705-718. doi: 10.52058/2786-6025-2024-3(31)-705-718.

[32] Tsang, S.H. (2020). MobileNetV3: Searching for MobileNetV3 (Image Classification). Retrieved from https://sh-tsang.medium.com/paper-mobilenetv3-searching-for-mobilenetv3-image-classification-5072d4d8703c.

[33] Viraktamath, S.V., Yavagal, M., & Byahatti, R. (2021). Object detection and classification using YOLOv3. International Journal of Engineering Research & Technology, 10(2), 197-202. Retrieved from https://www.ijert.org/research/object-detection-and-classification-using-yolov3-IJERTV10IS020078.pdf.

[34] Wang, Y., Li, Y., Song, Y., & Rong, X. (2020). The influence of the activation function in a convolution neural network model of facial expression recognition. Applied Sciences, 10(5), article number 1897. doi: 10.3390/app10051897.

[35] Wood, L., & Chollet, F. (2022). Efficient graph-friendly COCO metric computation for train-time model evaluation. ARXIV. doi: 10.48550/arXiv.2207.12120.

[36] Yu, J., Kiang, Y., Wang, Z., Cao, Z., & Hiang, T. (2016). UnitBox: An advanced object detection network. In MM ‘16: Proceedings of the 24th ACM International Conference on Multimedia (pp. 516-520). New York: Association for Computing Machinery. doi: 10.1145/2964284.2967274.

[37] Yuan, X., Xia, J., Wu, J., Shi, J., & Deng, L. (2020). Low altitude small UAV detection based on YOLO model. In 2020 39th Chinese Control Conference (CCC) (pp. 7362-7366). Shenyang: Institute of Electrical and Electronics Engineers. doi: 10.23919/CCC50068.2020.9188588.

[38] Zarichuk, O. (2023). Hybrid approaches to machine learning in software development: Applying artificial intelligence to automate and improve processes. Development Management, 21(4), 53-60. doi: 10.57111/devt/4.2023.53.

[39] Zhao, L., & Wang, L. (2022). A new lightweight network based on MobileNetV3. KSII Transactions on Internet and Information Systems (TIIS), 16(1), 1-15. doi: 10.3837/tiis.2022.01.001.

[40] Zou, S., Zhang, B., & Zhang, B. (2023). Research on improved image classification algorithm based on Darknet53 Model. In Proceedings of the 11th International Conference “Communications, Signal Processing, and Systems” (pp. 73-80). Singapore: Springer. doi: 10.1007/978-981-99-2362-5_10.