اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,260 |
| تعداد مقالات | 9,131 |
| تعداد مشاهده مقاله | 8,464,463 |
| تعداد دریافت فایل اصل مقاله | 5,164,925 |
آشکارسازی ریزپهپادها در طیف مرئی با استفاده از الگوریتم YOLO | ||
| پدافند غیرعامل | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 10 مهر 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| صفا خزایی* 1؛ شاهین میرزایی2 | ||
| 1دانشگاه امام حسین(ع) | ||
| 2دانشگاه جامع امام حسین (ع) | ||
| تاریخ دریافت: 24 مرداد 1403، تاریخ بازنگری: 17 شهریور 1403، تاریخ پذیرش: 10 مهر 1403 | ||
| چکیده | ||
| ریزپهپاد نوعی هواپیمای بدون سرنشین با ابعادی در حدود چند سانتی‌متر است که به صورت خودمختار عمل کرده و در طیف گسترده‌ای از کاربردهای نظامی و جاسوسی مورد استفاده قرار می‌گیرند. باتوجه‌به تهدیداتی که در سال‌های اخیر در حوزه ریزپهپادها وجود دارد اولین گام برای مقابله با این تهدیدات نوین، آشکارسازی آنها می‌باشد. امروزه با پدیدآمدن فناوری هوش مصنوعی و شبکه‌های عصبی، پیشرفت‌های قابل‌توجهی در راستای ارتقا و کارآمدی روش‌های شناسایی ریزپهپادها صورت‌گرفته است. شناسایی ریزپهپادها با هوش مصنوعی در طیف مرئی رویکردی است که در آن ریزپهپادهایی که دارای خطر امنیتی برای یک منطقه‌ی حفاظت شده می‌باشند را در زمان روز به کمک روش‌های هوش مصنوعی شناسایی می‌شوند. یکی از محبوب‌ترین و جدیدترین الگوریتم هوش مصنوعی که به جهت شناسایی ریزپهپادها در طیف مرئی به کار گرفته شده است، الگوریتم YOLOv8 می‌باشد. در این پژوهش، نتایج تجربی به دست آمده بر روی مجموعه داده Roboflow نشان می‌دهد الگوریتم YOLOv8 می‌تواند با دقت 95% و سرعت 30 فریم بر ثانیه، ریزپهپادها را شناسایی کند. | ||
| کلیدواژه‌ها | ||
| ریزپهپاد؛ شناسایی هدف؛ طیف مرئی؛ YOLO | ||
| عنوان مقاله [English] | ||
| Detection of Micro-UAVs in Visible Spectrum using YOLO algorithm | ||
| نویسندگان [English] | ||
| S. Khazai1؛ shahin mirzaei2 | ||
| 1ihu | ||
| 2IHU | ||
| چکیده [English] | ||
| The micro-drone, a type of unmanned aerial vehicle, typically measures only a few centimeters and is commonly employed in military operations and espionage due to its practicality. In the recent years, the field has witnessed significant threats from the micro-UAVs, prompting the need for effective countermeasures. The first step in addressing this threat involves developing robust identification methods. Advances in artificial intelligence and neural networks have significantly improved the efficiency and accuracy of the micro-UAV identification techniques. Utilizing the artificial intelligence, micro-drones that pose a security risk to protected areas can be identified on a daily basis. One of the most widely used artificial intelligence algorithms for identifying micro-UAVs in the smart devices is the YOLOv8 algorithm. In tis study,, the experimental results conducted on the Roboflow dataset reveals that the YOLOv8 algorithm detects micro-drones with an accuracy of 95 percent and a processing speed of 30 frames per second. | ||
| کلیدواژه‌ها [English] | ||
| Micro-UAV, target detection, visible spectrum, YOLO | ||
|
آمار تعداد مشاهده مقاله: 417 |
||