Un enfoque de aprendizaje profundo para la detección y seguimiento de intrusiones con cámara de 360 degrees basada en UAV y gimbal de 3 ejes
Autores: Xu, Yao; Liu, Yunxiao; Li, Han; Wang, Liangxiu; Ai, Jianliang
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un enfoque de aprendizaje profundo para la detección y seguimiento de intrusiones con cámara de 360 degrees basada en UAV y gimbal de 3 ejes
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Detección de intrusiones
UAVs
Cargas ópticas
Cámara panorámica de 360 grados
Cardán de 3 ejes
Modelo YOLOv5s-360ID
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La detección de intrusiones se utiliza a menudo en escenarios como aeropuertos e instalaciones esenciales. Basado en UAVs equipados con cargas ópticas, se puede realizar la detección de intrusiones desde una perspectiva aérea. Sin embargo, debido al campo de visión limitado de la cámara, es difícil lograr un seguimiento continuo a gran escala de los objetivos de intrusión. En este estudio, propusimos un método de detección y seguimiento de objetivos de intrusión basado en la fusión de una cámara panorámica de 360 grados y un cardán de 3 ejes, y diseñamos un modelo de detección que cubre cinco tipos de objetivos de intrusión. Durante el proceso de investigación, se construyó la plataforma UAV de múltiples rotores. Luego, basándose en una prueba de vuelo en campo, se recopilaron 3043 imágenes de vuelo tomadas por una cámara panorámica de 360 grados y un cardán de 3 ejes en varios entornos, y se produjo un conjunto de datos de intrusión. Posteriormente, considerando la aplicabilidad del modelo YOLO en la detección de objetivos de intrusión, este artículo propone un modelo mejorado YOLOv5s-360ID basado en el modelo original YOLOv5-s. Este modelo mejoró y optimizó la caja de anclaje del modelo YOLOv5-s de acuerdo con las características del objetivo de intrusión. Utilizó el algoritmo de agrupamiento K-Means++ para recuperar la caja de anclaje que coincide con la tarea de detección de pequeños objetivos. También introdujo la función de pérdida EIoU para reemplazar la función de pérdida CIoU original. La función de pérdida de regresión de la caja delimitadora del objetivo hizo que el modelo de detección de objetivos de intrusión fuera más eficiente mientras aseguraba una alta precisión de detección. Se evaluó el rendimiento de la plataforma UAV utilizando el modelo de detección para completar la verificación de vuelo de prueba en una escena real. Los resultados experimentales mostraron que la precisión media promedio (mAP) del YOLOv5s-360ID fue del 75.2%, lo que es mejor que el modelo original YOLOv5-s del 72.4%, y la tasa de fotogramas de detección en tiempo real de la detección de intrusiones fue de 31 FPS, lo que validó el rendimiento en tiempo real del modelo de detección. También se validó el algoritmo de control de seguimiento del cardán para objetivos de intrusión. Los resultados experimentales demuestran que el sistema puede mejorar el rango de detección y seguimiento de los objetivos de intrusión.
Descripción
La detección de intrusiones se utiliza a menudo en escenarios como aeropuertos e instalaciones esenciales. Basado en UAVs equipados con cargas ópticas, se puede realizar la detección de intrusiones desde una perspectiva aérea. Sin embargo, debido al campo de visión limitado de la cámara, es difícil lograr un seguimiento continuo a gran escala de los objetivos de intrusión. En este estudio, propusimos un método de detección y seguimiento de objetivos de intrusión basado en la fusión de una cámara panorámica de 360 grados y un cardán de 3 ejes, y diseñamos un modelo de detección que cubre cinco tipos de objetivos de intrusión. Durante el proceso de investigación, se construyó la plataforma UAV de múltiples rotores. Luego, basándose en una prueba de vuelo en campo, se recopilaron 3043 imágenes de vuelo tomadas por una cámara panorámica de 360 grados y un cardán de 3 ejes en varios entornos, y se produjo un conjunto de datos de intrusión. Posteriormente, considerando la aplicabilidad del modelo YOLO en la detección de objetivos de intrusión, este artículo propone un modelo mejorado YOLOv5s-360ID basado en el modelo original YOLOv5-s. Este modelo mejoró y optimizó la caja de anclaje del modelo YOLOv5-s de acuerdo con las características del objetivo de intrusión. Utilizó el algoritmo de agrupamiento K-Means++ para recuperar la caja de anclaje que coincide con la tarea de detección de pequeños objetivos. También introdujo la función de pérdida EIoU para reemplazar la función de pérdida CIoU original. La función de pérdida de regresión de la caja delimitadora del objetivo hizo que el modelo de detección de objetivos de intrusión fuera más eficiente mientras aseguraba una alta precisión de detección. Se evaluó el rendimiento de la plataforma UAV utilizando el modelo de detección para completar la verificación de vuelo de prueba en una escena real. Los resultados experimentales mostraron que la precisión media promedio (mAP) del YOLOv5s-360ID fue del 75.2%, lo que es mejor que el modelo original YOLOv5-s del 72.4%, y la tasa de fotogramas de detección en tiempo real de la detección de intrusiones fue de 31 FPS, lo que validó el rendimiento en tiempo real del modelo de detección. También se validó el algoritmo de control de seguimiento del cardán para objetivos de intrusión. Los resultados experimentales demuestran que el sistema puede mejorar el rango de detección y seguimiento de los objetivos de intrusión.