ارائه يك روش مبتني بر شبكه هاي يادگيري عميق به منظور تشخيص پهپاد از داده هاي عمق

امروزه پهپادها به دليل مزاياي فراوان و طيف گسترده اي از كاربردها از قبيل نقشه برداري، كشاورزي و مديريت بحران بسيار مورد توجه قرار گرفته اند و جايگزين بسياري از روش هاي سنتي موجود گرديده اند. با اين وجود گسترش پهپادها و ورود غيرمجاز آن‌ها به زيرساخت هاي مهم مانند ساختمان‌هاي دولتي مي تواند زمينه تهديدهاي احتمالي را در تأمين امنيت عمومي جامعه ايجاد كند. از اين رو تدابير متقابل نظير به‌كارگيري سامانه‌هاي تشخيص، محلي سازي و رهگيري پهپادهاي كوچك بسيار حائز اهميت است. در سال هاي اخير روش هاي تشخيص مبتني بر شبكه‌هاي عصبي و رويكردهاي يادگيري عميق، توانايي قابل توجهي در حوزه تشخيص پهپاد از خود نشان داده است. از اين رو در اين تحقيق از يك روش تشخيص مبتني بر شبكه هاي يادگيري عميق پيچشي به منظور تشخيص پهپاد استفاده شده است. از سوي ديگر استفاده از تصاوير مرئي با مشكلاتي از قبيل وجود نواحي پنهان، پيش زمينه شلوغ و عدم امكان جداسازي پيش زمينه و مشكلات نور داخل تصوير مواجه هستند. هم چنين سامانه‌هاي مبتني بر تصوير حرارتي، با وجود بهره مندي از قدرت ديد در شب، داراي قدرت تفكيك مكاني كمتري نسبت به تصوير مرئي مي باشند كه روند تشخيص پهپاد را با مشكل دقت مواجه مي كند. اخيراً، استفاده از تصاوير عمق كه چالش هاي مرتبط با تصاوير مرئي را ندارند و نشان دهنده ميزان دوري و نزديكي شئ تا دوربين هستند، بسيار مورد استقبال قرار گرفته است. در اين پژوهش با استفاده از مجموعه تصاوير عمق شبيه‌سازي و واقعي و با استفاده از شبكه يادگيري عميق YOLO(You Only Look Once) به تشخيص پهپاد، پرداخته شده است. تصاوير عمق واقعي در اين پژوهش از طريق الگوريتم تناظر يابي شبه سراسري (SGM) به دست آمده و سرانجام اعتبار سنجي مدل آموزش ديده، با انواع تصاوير عمق واقعي و شبيه‌سازي با سه نوع پهپاد در محيط داخل و خارج بررسي شده است. در نهايت نتايج حاصل از تشخيص پهپاد با شبكه يادگيري عميق موردنظر در تصاوير عمق شبيه سازي به ميانگين دقت 84 درصد، ميانگين زمان 125 ميلي‌ثانيه و در تصاوير عمق واقعي به ميانگين دقت 74 درصد، ميانگين زمان 133 ميلي‌ثانيه رسيد.