اخبار و اعلانات

 آمار

تعداد نشریات38
تعداد شماره‌ها1,240
تعداد مقالات8,992
تعداد مشاهده مقاله7,843,209
تعداد دریافت فایل اصل مقاله4,704,937
بهرامی, محمد, اصغری, امیر, بینش مروستی, محمدرضا, انصاریان, سجاد. (1402). ارائه یک روش بهبودیافته تشخیص هواپیمای بدون سرنشین با استفاده از یادگیری عمیق جهت افزایش سرعت تشخیص. پدافند الکترونیکی و سایبری, 11(1), 81-96.
محمد بهرامی; امیر اصغری; محمدرضا بینش مروستی; سجاد انصاریان. "ارائه یک روش بهبودیافته تشخیص هواپیمای بدون سرنشین با استفاده از یادگیری عمیق جهت افزایش سرعت تشخیص". پدافند الکترونیکی و سایبری, 11, 1, 1402, 81-96.
بهرامی, محمد, اصغری, امیر, بینش مروستی, محمدرضا, انصاریان, سجاد. (1402). 'ارائه یک روش بهبودیافته تشخیص هواپیمای بدون سرنشین با استفاده از یادگیری عمیق جهت افزایش سرعت تشخیص', پدافند الکترونیکی و سایبری, 11(1), pp. 81-96.
بهرامی, محمد, اصغری, امیر, بینش مروستی, محمدرضا, انصاریان, سجاد. ارائه یک روش بهبودیافته تشخیص هواپیمای بدون سرنشین با استفاده از یادگیری عمیق جهت افزایش سرعت تشخیص. پدافند الکترونیکی و سایبری, 1402; 11(1): 81-96.

ارائه یک روش بهبودیافته تشخیص هواپیمای بدون سرنشین با استفاده از یادگیری عمیق جهت افزایش سرعت تشخیص

پدافند الکترونیکی و سایبری
دوره 11، شماره 1 - شماره پیاپی 41، خرداد 1402، صفحه 81-96    اصل مقاله (1.43 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
محمد بهرامی* 1؛ امیر اصغری2؛ محمدرضا بینش مروستی2؛ سجاد انصاریان1
1دانشجوی کارشناسی ارشد، دانشگاه خوارزمی، تهران، ایران
2استادیار، دانشگاه خوارزمی، تهران، ایران
تاریخ دریافت: 04 فروردین 1401،  تاریخ بازنگری: 27 خرداد 1401،  تاریخ پذیرش: 01 بهمن 1401 
چکیده
چکیده
در سال های اخیر، پرنده های هدایت پذیر از دور(پهپادها) به طور قابل توجهی در دسترس عموم مردم قرار گرفته است. قیمت های مقرون به صرفه، مجهز بودن به تکنولوژی های پیشرفته، اندازه های کوچک، قابلیت حمل و راه اندازی آسان و... نگرانی های زیادی ایجاد می کند. به طور مثال از پهپادها می توان برای فعالیت های مخرب، جاسوسی از املاک خصوصی، پایش مکان های حیاتی، حمل اشیاء خطرناک مانند مواد منفجره و... استفاده کرد که تهدید بزرگی برای جامعه است. به همین دلیل شناسایی هواپیمای بدون سرنشین امری مهم در نظر گرفته شده است. به منظور رفع چالش های فوق، دانشگاه و صنعت چندین راه حل در سال های اخیر ارائه داده اند. از سیستم های سنجش راداری، تصویری، صوتی، فرکانس رادیویی و... برای شناسایی هواپیماهای بدون سرنشین استفاده می شود. بر اساس مطالعات اخیر به نظر می رسد طبقه بندی مبتنی بر یادگیری ماشین برای شناسایی هواپیماهای بدون سرنشین می تواند امیدوار کننده باشد. در این مقاله، یک روش بهبودیافته برای تشخیص هواپیماهای بدون سرنشین بر اساس یادگیری عمیق معرفی می شود. این سیستم بر پایه شناسایی توسط دوربین طراحی شده است. بر مبنای تصاویر دوربین، سیستم، مکان پهپاد را بر روی تصویر با کشیدن کادر دور آن مشخص می کند. این روش در واقع از کتابخانهOpenCV و الگوریتم YOLO بهره برده است. تصاویر هواپیماهای بدون سرنشین جمع آوری شده و سپس با در نظر گرفتن پارامتر سرعت، فرایند یادگیری صورت می گیرد. نتایج شبیه سازی نشان می دهد حدوداً در زمان 17میلی ثانیه، تشخیص هواپیمای بدون سرنشین با دقت 85% درصد انجام می شود.
کلیدواژه‌ها
پهپاد؛ یادگیری عمیق؛ تشخیص؛ مجموعه داده ها
عنوان مقاله [English]
Providing an Improved Unmanned Aerial Vehicle Detection System to Increase Detection speed Using Deep Learning
نویسندگان [English]
mohammad bahrami1؛ amir asghari2؛ Mohammadreza Binesh Marvasti2؛ sajjad ansariyan1
1Master's student, Kharazmi University, Tehran, Iran
2Assistant Professor, Kharazmi University, Tehran, Iran
چکیده [English]
Abstract:
In recent years, Unmanned Aerial Vehicles have become significantly available to the public of people. Affordable prices, being equipped with advanced technologies, small sizes, easy portability and … etc. create a lot of worries. For example UAVs can be used for malicious activities, spying from private places, monitoring important locations, carrying dangerous objects such as explosives and etc., which is great threat to society. for this reason, detection and identification is an important work. To solving these challenges, university and industry have present many solutions in recent years. from radar detection systems, video base systems, RF base systems is used to identify and detection UAVs. Based on recent studies, that suggest machine learning-based classification to identify UAVs can be successful. this paper introduces an improved method for detecting UAVs based on deep learning. this system is based on detection by the camera and based on the camera images determine the location of the UAVs on the image and dragging the box around it. This Approach uses the OpenCV library and the YOLO algorithm. images of UAVs are collected and by considering the speed parameter, starting the learning process .after that, The simulation results show that in about 17milliseconds,the UAVs is detected with 85% accuracy.
کلیدواژه‌ها [English]
Drone . Deep learnings, detection, datasets
مراجع

[1]    G. Litjens, T. Kooi, B. Ehteshami Bejnordi, A. Arindra Adiyoso Setio, F. Ciomp, M. Ghafoorian , J. A W M van der Laak, B. van Ginneken, C. I Sánchez , "A survey on deep learning in medical image analysis." Medical image analysis, vol. 42, pp. 60-88, 2017.

[2]    Y. Guo, Y. Liu, A. Oerlemans, S. Lao, S. Wu, M. S. Lew, "Deep learning for visual understanding: A review." Neurocomputing, vol. 187, pp. 27-48, 2016.

[3]    A. Mubashir, J. Yang, D. Ai, S. F. Qadri, Y. Wang, "Deep-stacked auto encoder for liver segmentation." Chinese Conference on Image and Graphics Technologies. Springer, Singapore, 2017.

[4]    J. Chung, C. Gulcehre, K. Cho, Y. Bengio, "Empirical evaluation of gated recurrent neural networks on sequence modeling." arXiv preprint arXiv:1412.3555, 2014.

[5]    Milletari, Fausto, Navab Nassir, and Ahmadi Seyed-Ahmad. "V-net: Fully convolutional neural networks for volumetric medical image segmentation." 2016 Fourth International Conference on 3D Vision (3DV). IEEE, 2016.

[6]    Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A. You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, pp. 779–788, 2016.

[7]    Zhao, Z.-Q.; Zheng, P.; Xu, S.; Wu, X. Object detection with deep learning: A review. IEEE Trans. Neural Netw. Learn. Syst. 2019.

[8]    Hui, J. Real-Time Object Detection with YOLO, YOLOv2 and Now YOLOv3. Available online: medium.com/@jonathan_hui/real-time-object-detection-with-YOLO-YOLOv2-28b1b93e2088, 2016.

[9]    Redmon, J.; Farhadi, A. YOLO9000: Better, faster, stronger. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, HI, USA, pp. 7263–7271, 2017.

[10] Redmon, J.; Farhadi, A. YOLOv3: An incremental improvement. arXiv 2018, arXiv:1804.02767.

[11] Kathuria, A. What’s new in YOLO v3? Available online: towardsdatascience.com/YOLO-v3-object-detection-53fb7d3bfe6b, 2019.

[12] S. Al-Emadi, A. Al-Ali, A. Mohammad, A. Al-Ali, “Audio Based Drone Detection and Identification using Deep Learning”, 15th International Wireless Communications & Mobile Computing Conference (IWCMC), pp. 459- 464, 2019.

[13] P. Kosolyudhthasarn, V. Visoottiviseth, D. Fall, Sh. Kashihara, “Drone Detection and Identification by Using Packet Length Signature”, 15th International Joint Conference on Computer Science and Software Engineering (JCSSE), 2018.

[14] D. Lee, W. Gyu La, H. Kim, “Drone Detection and Identification System using Artificial Intelligence”, International Conference on Information and Communication Technology Convergence (ICTC), pp. 1131-1133, 2018.

[15] N. Molina, F. Cabrera, V. Araña, M. Tichavska, B.P. Dorta, J.A. Godoy, “A wireless method for drone identification and monitoring using AIS technology”, 2nd URSI Atlantic Radio Science Meeting (AT-RASC), 2018.

[16] M. Nijim, N. Mantrawadi, “Drone classification and identification system by phenome analysis using data mining techniques”, IEEE Symposium on Technologies for Homeland Security (HST), 2016.

[17] A. Shoufan, H. M. Al-Angari, M. F. Afzal Sheikh, E. Damiani, “Drone Pilot Identification by Classifying Radio-Control Signals”, IEEE Transactions on Information Forensics and Security, 2018.

[18] United States Department of Transportation, “https://www.faa.gov/”, 2019.

آمار
تعداد مشاهده مقاله: 223
تعداد دریافت فایل اصل مقاله: 304