اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,131 |
| تعداد دریافت فایل اصل مقاله | 6,961,246 |
آشکارسازی ریزپهپادها در طیف مرئی با استفاده از الگوریتم YOLO | ||
| پدافند غیرعامل | ||
| مقاله 1، دوره 16، شماره 4 - شماره پیاپی 64، بهمن 1404، صفحه 1-15 اصل مقاله (1.36 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.47176/pd.2026.1462 | ||
| نویسندگان | ||
| شاهین میرزایی1؛ صفا خزایی* 2 | ||
| 1کارشناسی ارشد مهندسی پدافند غیرعامل گرایش آفا، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 2دانشیار دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| تاریخ دریافت: 24 مرداد 1403، تاریخ بازنگری: 13 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 است. امروزه با پدیدآمدن فناوری هوش مصنوعی و شبکههای عصبی، پیشرفتهای قابلتوجهی در راستای ارتقاء 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 بهدستآمده بر روی مجموعهداده 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] | ||
| shahin mirzaei1؛ S. Khazai2 | ||
| 1Master's student of passive defense engineering, CCD, Imam Hossein University , Tehran, Iran. | ||
| 2Associate Professor, Imam Hossein Comprehensive University, Tehran, Iran. | ||
| 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 recent years, the field has witnessed significant threats from 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 micro-UAV identification techniques. Utilizing 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 smart devices is the YOLOv8 algorithm. In tis study, experimental results conducted on the Roboflow dataset reveals that the YOLOv8 algorithm detects micro-drones with an accuracy of 95% and a speed of 30 frames per second. | ||
| کلیدواژهها [English] | ||
| Micro-UAV, Target Detection, Visible Spectrum, YOLO | ||
| مراجع | ||
|
[1] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), 2016, pp. 779–788, doi: 10.1109/CVPR.2016.91. [2] H. R. Alsanad, A. Z. Sadik, O. N. Ucan, M. Ilyas, and O. Bayat, “YOLO-V3 based real-time drone detection algorithm,” Multimedia Tools Appl., vol. 81, no. 18, pp. 26185–26198, 2022, doi: 10.1007/s11042-022-12939-4. [3] S. M. Alkentar, B. Alsahwa, A. Assalem, and D. Karakolla, “Practical comparation of the accuracy and speed of YOLO, SSD and Faster RCNN for drone detection,” Journal of Engineering, vol. 27, no. 8, pp. 19–31, 2021, doi: 10.31026/j.eng.2021.08.02. joe.uobaghdad.edu.iq [4] M. Choudhary, S. Singh, A. Kumar, V. Kasana, and N. Sharma, “Object Detection Using YOLO Models,” Int. Res. J. Eng. Technol. (IRJET), vol. 9, no. 5, pp. 3785–3789, 2022. [Online]. Available: https://www.irjet.net/archives/V9/i6/IRJET-V9I6272.pdf. Accessed: Dec. 30, 2025. [5] T. Diwan, G. Anirudh, and J. V. Tembhurne, “Object detection using YOLO: challenges, architectural successors, datasets and applications,” Multimedia Tools Appl., vol. 82, pp. 9243–9275, 2023, doi: 10.1007/s11042-022-13644-y. [6] A. Jawaharlalnehru, T. Sambandham, V. Sekar, D. Ravikumar, V. Loganathan, R. Kannadasan, and Z. S. Alzamil, “Target object detection from Unmanned Aerial Vehicle (UAV) images based on improved YOLO algorithm,” Electronics, vol. 11, no. 15, Art. no. 2343, 2022, doi: 10.3390/electronics11152343. [7] F. Wang, H. Wang, Z. Qin, and J. Tang, “UAV Target Detection Algorithm Based on Improved YOLOv8,” IEEE Access, vol. 11, pp. 116534–116544, 2023, doi: 10.1109/ACCESS.2023.3325677. [8] B. S. S. Kumar and I. A. Wani, “Real time Drone Detection Using YOLOv8 and TensorFlow.JS,” Journal of Engineering Sciences, vol. 15, no. 2, 2024. [Online]. Available: https://www.jespublication.com/upload/2024-VOL-15-ISSUE-02/70-111%20Jes%20-%20Noor%20Sajjid%20Wani.pdf. Accessed: Dec. 30, 2025. [9] A. Mîndroiu and D. Mototolea, “Drone Detection,” Journal of Military Technology, vol. 2, no. 1, 2019, doi: 10.32754/JMT.2019.1.03. [10] J. Pedro, “Detailed Explanation of YOLOv8 Architecture,” 2023. [Online]. Available: https://medium.com/@juanpedro.bc22/detailed-explanation-of-yolov8-architecture-part-1-6da9296b954e. Accessed: Dec. 30, 2025. [11] J. Torres, “YOLOv8 Architecture: A Deep Dive into its Architecture,” 2024. [Online]. Available: https://yolov8.org/yolov8-architecture. Accessed: Dec. 30, 2025. [12] K. L. Best, J. Schmid, S. Tierney, J. Awan, N. M. Beyene, M. A. Holliday, R. Khan, and K. Lee, How to Analyze the Cyber Threat from Drones: Background, Analysis Frameworks, and Analysis Tools, RAND Corporation, Santa Monica, CA, USA, Research Report RR-2972-RC, 2020. [Online]. Available: https://www.rand.org/pubs/research_reports/RR2972.html. Accessed: Dec. 30, 2025. RAND Corporation [13] A. Coluccia, A. Fascista, A. Schumann, L. Sommer, M. Ghenescu, T. Piatrik, and I. González, “Drone-vs-bird detection challenge at IEEE AVSS 2019,” in Proc. 16th IEEE Int. Conf. Advanced Video and Signal Based Surveillance (AVSS), 2019, pp. 1–7, doi: 10.1109/AVSS.2019.8909876. [14] N. Eriksson, “Conceptual study of a future drone detection system—Countering a threat posed by a disruptive technology,” M.S. thesis, Dept. Industrial and Materials Science, Chalmers Univ. Technol., Gothenburg, Sweden, 2018. [15] Y.-C. Lai and Z.-Y. Huang, “Detection of a Moving UAV Based on Deep Learning-Based Distance Estimation,” Remote Sens., vol. 12, no. 18, Art. no. 3035, 2020, doi: 10.3390/rs12183035. [16] H. Liu, F. Qu, Y. Liu, W. Zhao, and Y. Chen, “A drone detection with aircraft classification based on a camera array,” in IOP Conf. Ser.: Mater. Sci. Eng., vol. 322, no. 5, Art. no. 052005, 2018, doi: 10.1088/1757-899X/322/5/052005. [17] S. A. Musa, R. S. A. Abdullah, A. Sali, A. Ismail, R. Ibrahim, A. A. Salah, et al., “A review of copter drone detection using radar systems,” Defence S & T Technical Bulletin, vol. 12, no. 1, pp. 16–38, 2019. [18] N. Eriksson, Conceptual Study of a Future Drone Detection System—Countering a Threat Posed by a Disruptive Technology, Chalmers Univ. Technol., Gothenburg, Sweden, 2018. [Online]. Available: Accessed: Dec. 30, 2025. [19] U. Seidaliyeva, D. Akhmetov, L. Ilipbayeva, and E. T. Matson, “Accurate drone detection in a video with a static background,” Sensors, vol. 20, no. 14, Art. no. 3856, 2020, doi: 10.3390/s20143856. [20] F. Svanström, “Drone Detection and Classification using Machine Learning and Sensor Fusion,” M.S. thesis, Halmstad Univ., Halmstad, Sweden, 2020. [Online]. Available: Accessed: Dec. 30, 2025. [21] B. Taha and A. Shoufan, “Machine learning-based drone detection and classification: State-of-the-art in research,” IEEE Access, vol. 7, pp. 138669–138682, 2019, doi: 10.1109/ACCESS.2019.2942944. [22] X. Zhang and K. Kusrini, “Autonomous long-range drone detection system for critical infrastructure safety,” Multimedia Tools Appl., vol. 80, no. 15, pp. 23723–23743, 2021, doi: 10.1007/s11042-020-10231-x. [23] R. Opromolla, G. Inchingolo, and G. Fasano, “Airborne Visual Detection and Tracking of Cooperative UAVs Exploiting Deep Learning,” Sensors, vol. 19, no. 19, Art. no. 4332, 2019, doi: 10.3390/s19194332. | ||
|
آمار تعداد مشاهده مقاله: 1,625 تعداد دریافت فایل اصل مقاله: 207 |
||