РАЗРАБОТКА МОДЕЛИ РАСПОЗНАВАНИЯ БПЛА В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ YOLOV10

В статье рассматривается разработка модели распознавания и классификации БПЛА и птиц в режиме реального времени на основе обучения нейронной сети YOLOv10. Направление исследования считается актуальным в связи с проблемами обнаружения БПЛА в контексте обеспечения безопасности, учитывая их растущее использование в различных сферах. Для обучения модели подготовлен датасет, состоящий из 6255 изображений, собранных из собственных архивов и открытых ресурсов. Процесс аннотирования, аугментации и распределения данных был реализован с использованием сервиса Roboflow.com. Обучение модели проводилось на графическом процессоре NVIDIA GeForce RTX 4080 с использованием фреймворка Ultralytics. Результаты тестирования показали высокую точность распознавания с метриками mAP50 и mAP50-95, превышающими показатели предыдущих версий YOLO. Модель демонстрирует способность к эффективной сегментации и трекингу объектов, что делает ее перспективной для применения в системах оптикоэлектронного наблюдения. Результаты исследования могут быть полезны для разработчиков систем обнаружения и классификации БПЛА и птиц, а также для повышения безопасности в различных областях

1. Alkentar, Saad & Alsahwa, B. & Assalem, A. & Karakolla, D. Practical comparation of the accuracy and speed of YOLO, SSD and Faster RCNN for drone detection. Journal of Engineering, 27, 19–31 (2021). https://doi.org/10.31026/j.eng.2021.08.02.

2. Seidaliyeva, U., Alduraibi, M., Ilipbayeva, L., Almagambetov, A. Detection of Loaded and Unloaded UAV Using Deep Neural Network. In Proceedings of the 2020 Fourth IEEE International Conference on Ro-botic Computing (IRC) (Taichung, Taiwan, November 9–11, 2020), pp. 490-494. https://doi.org/10.1109/IRC.2020.00093.

3. Alsanad, Hamid & Sadik, Amin & Ucan, Osman & Ilyas, Muhammad & Bayat, Oguz. YOLO-V3 based real-time drone detection algorithm. Multimedia Tools and Applications, 81, 1–14 (2022). https://doi.org/10.1007/s11042-022-12939-4.

4. Singha, S., Aydin, B. Automated Drone Detection Using YOLO v4. Drones. September 2021. https://doi.org/10.3390/drones5030095.

5. Al-Qubaydhi, Nader & Alenezi, Abdulrahman & Alanazi, Turki & Senyor, Abdulrahman & Alanezi, Naif & Alotaibi, Bandar & Alotaibi, Munif & Razaque, Abdul & Abdelhamid, Abdelaziz & Alotaibi, Aziz. Detection of Unauthorized Unmanned Aerial Vehicles Using YOLOv5 and Transfer Learning. Electronics, 11, 2669 (2022). https://doi.org/10.3390/electronics11172669.

6. Aydin, B., Singha, S. Drone Detection Using YOLO v5, Eng. 4 (2023). https://doi.org/10.3390/eng4010025.

7. Zhai, X., Huang, Z., Li, T., Liu, H., Wang, S. YOLO-Drone: An Optimized YOLOv8 Network for Tiny UAV Object Detection. Electronics, 12, 3664 (2023). https://doi.org/10.3390/electronics12173664.

8. Li, Jun & Feng, Yongqiang & Shao, Yanhua & Liu, Feng. (2024). IDP-YOLOV9: Improvement of Object Detection Model in Severe Weather Scenarios from Drone Perspective. Applied Sciences, 14, 5277 (2023). https://doi.org/10.3390/app1412125277.

9. Muzammul, Muhammad & Algarni, Abdul & Ghadi, Yazeed & Assam, Muhammad. Enhancing UAV Aerial Image Analysis: Integrating Advanced SAHI Techniques with Real-Time Detection Models on the VisDrone Dataset. IEEE Access, pp. 1–1 (2024). https://doi.org/10.1109/ACCESS.2024.3363413.