تشخیص به‌موقع پرنده‌های هدایت‌پذیر از دور چند بال چرخان با استفاده از الگوریتم yolov5 بهینه‌سازی‌شده

در سال‌های اخیر پیشرفت بسیار سریع فنّاوری در حوزة پهپادها (پرنده‌های هدایت‌پذیر از دور)، در کنار مزایای خود، تهدیدات جدی را در سطوح مختلف اجتماعی و امنیتی به همراه داشته است. از جملة این مشکلات، می‌توان به بحث پروازهای غیرمجاز در مناطق حفاظت‌شده و امنیتی اشاره کرد. لذا تشخیص به‌موقع این دستگاه‌ها در جهت انجام سریع اقدامات مربوطه، ضروری است. در همین راستا، در این پژوهش با بهره‌گیری از الگوریتم yolov5l که جزء جدیدترین نسخه الگوریتم‌های یک‌مرحله‌ای بینایی رایانه‌ای است، دو مدل با بهینه‌سازهای sgd و adam جهت تشخیص به‌موقع پهپادها توسعه داده شده است. برای توسعة مدل‌های حاضر در این پژوهش، از یک مجموعه داده شامل 10046 عدد عکس از انواع و حالات مختلف پهپادها استفاده شده است. پردازش مدل‌ها به کمک بستر گوگل کولب انجام شده است که به‌صورت رایگان یک سیستم پردازشی قدرتمند را در اختیار توسعه‌دهندگان قرار می‌دهد. ارزیابی مدل‌ها بر روی چهار مجموعه‌آزمون 1000 عددی شامل مجموعه‌آزمون معمولی، کم‌حجم، حالت شب، خاکستری مقیاس و همچنین یک مجموعه‌آزمون شامل 100 عدد عکس از چندین پهپاد صورت‌گرفته است. طبق نتایج، مدل توسعه داده شده با بهینه‌ساز adam نسبت به مدل توسعه داده شده با بهینه‌ساز sgd عملکرد بهتری داشته است.

real time detection of multi-rotor unmanned aerial vehicle using yolov5 optimized algorithm

in recent years, the very rapid development of technology in the field of uavs (unmanned aerial vehicles), along with its advantages, has brought serious threats at various social and security levels. among these problems, the issue of unauthorized flights in protected and security area can be mentioned. therefore, real time detection of these devices is necessary in order to quickly carry out relevant measures. in this regard, in this research, using the yolov5l algorithm, which is part of the latest version of one-stage computer vision algorithms, two models with sgd and adam optimizers have been developed for the real time detection of uavs. to develop the models in this research, a dataset containing 10046 images of different types and states of uavs has been used. the processing of the models has been done with the google colab platform, which provides a free powerful processing system for developers. the models have been evaluated on four test sets of 1000 images including normal, low volume, night mode, and gray scale and also a test set including 100 images from several uavs. according to the results, the developed model with the adam optimizer performed better than the model developed with the sgd optimizer.