سامانه تشخیص ریزپرنده های مهاجم با استفاده از سنسور تصویر

پیشرفت فناوری ساخت پهپادها و ریز پرنده‌ها، استفاده فراگیر از این پرنده‌ها را به دنبال داشته است که باعث شده حفاظت از اطلاعات و اماکن خاص همچون ورزشگاه‌ها و ادارات و ارگان‌های نظامی و انتظامی متفاوت تر از گذشته مورد ملاحظه و مدیریت قرار گیرد. بر همین اساس برای مقابله با این تهدید‌ها باید به فراخور نوع تهدید ابزارهای دفاعی طراحی و تعبیه کرد. اساس کار سامانه پیشنهادی در این پژوهش استفاده از فقط یک دوربین با رزولوشن بالا می‌باشد که اهداف تعریف شده را بر اساس کتابخانه تهیه شده، شناسایی کند. در پژوهش‌های پیشین روش‌های متعددی برای طراحی و پیاده سازی این شیوه همچون استفاده از فیلتر ذرات، استفاده از سیستم شبکه‌های عصبی و ... ارائه شده است که در این مقاله ابتدا به بررسی روش‌های پیاده سازی مرسوم پرداخته می‌شود، سپس با استفاده از بهترین روش که ترکیبی از تکنیک‌های مذکور همراه با پیاده سازی نوین می‌باشد، اقدام به طراحی و ساخت نمونه آزمایشگاهی آشکارساز و ردیاب ریزپرنده شده است. تمام تمرکز در بخش پیاده سازی این پروژه استفاده از شبکه‌های عصبی کانولوشنال می‌باشد که باید چالش بسیار مهم  نرخ قاب(فریم ریت) دریافتی از دوربین و خروجی شبکه را به حداکثر رساند. این پروژه با سه روش تفریق پس زمینه و شبکه عصبی شامل فریمورک دارکنت، yolo و شبکه fast rcnn پیاده سازی شده و فریم ریت‌ها بررسی می‌شوند. میانگین دقت مورد انتظار در این پروژه بیش  از  90% می‌باشد. آزمایش‌های سامانه حاضر، با استفاده از رایانه انجام شده، ولی قابلیت پیاده سازی در بستر fpga با استفاده از ابزار hls نیز لحاظ گردیده است.

Aggressive Flying Objects Detection System Using Image Sensor

Advances in the technology of UAVs and MAVs have led to an expanse use of these drones which has brought both securing the information and safekeeping of particular areas such as stadiums, facilities, military and law enforcement agencies, that are being considered and managed more than before. Accordingly, defense mechanisms should be sized congenially to the exact type of thread dealing with these threats. The proposed system in this study is the uses only a highresolution camera that identifies specified targets based on a given database. In recent studies, several methods such as using particle filters, neural networks systems, have been presented. They are reviewed in this work and then, using a combination of the mentioned techniques with a novel laboratory benchmark detector and tracker of the drone is designed and implemented.The main focus of the project is the use of convolutional neural networks, which should maximize the frame rate of the received data from the camera. This project is implemented using three different methods including Darknet Framework, YOLO, and Fast RCNN network. In all cases, framerates are processed. The expected average accuracy in this project is more than 90%. The presented system has been tested by computer but it has the capability of performing on FPGA environment using HLS tools.