Desarrollo de un helipuerto térmico para UAVs y detección con aprendizaje profundo
Autores: Demiray, Ersin; Konar, Mehmet; Ark Hatipolu, Seda
Idioma: Inglés
Editor: MDPI
Año: 2026
Acceso abierto
Artículo científico
2026
Desarrollo de un helipuerto térmico para UAVs y detección con aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Imágenes térmicas
Detección óptica
UAVs
Detección de áreas de aterrizaje
Modelos de aprendizaje profundo
Técnicas de fusión de imágenes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Para los Vehículos Aéreos No Tripulados (VANT), la detección óptica para un aterrizaje fiable y la identificación del área de aterrizaje es un elemento crucial. En condiciones de poca luz, por la noche y en clima de niebla, donde la detección óptica no es factible, se puede utilizar la imagen térmica. Aunque esta situación ha sido ampliamente investigada, la mayoría de los enfoques de aterrizaje de VANT dependen de la asistencia GNSS o de la detección de un solo modo, lo que limita su robustez y escalabilidad en operaciones del mundo real. Este estudio propone una plataforma de aterrizaje térmica para helicópteros, calentada activamente, diseñada utilizando elementos de calefacción resistiva alimentados eléctricamente y un recubrimiento de superficie de alta emisividad. Además, las imágenes ópticas y térmicas recopiladas durante experimentos de vuelo reales de VANT en condiciones diurnas y nocturnas fueron procesadas utilizando técnicas de fusión de imágenes con fusiones AVGF, DWTF, GPF, LPF, MPF y HWTF, y se comparó su rendimiento en modelos de aprendizaje profundo. Los conjuntos de datos ópticos, térmicos y fusionados obtenidos se utilizan para entrenar y evaluar modelos de detección de plataformas de aterrizaje de helicópteros basados en aprendizaje profundo, utilizando la arquitectura YOLOv8. Los resultados experimentales muestran que los modelos entrenados con datos de un solo modo exhiben una generalización limitada entre dominios, mientras que el aprendizaje basado en fusión mejora significativamente la robustez de la detección en los dominios óptico y térmico. Entre los métodos evaluados, LPF, MPF y HWTF proporcionan las mejoras de rendimiento más consistentes. Los hallazgos indican que las plataformas de aterrizaje térmicas para helicópteros calentadas eléctricamente, cuando se combinan con fusión de imágenes y detección basada en aprendizaje profundo, pueden aumentar la detectabilidad de aterrizaje de los VANT por la noche y en condiciones de baja visibilidad. Este enfoque centrado en la detección contribuye a la seguridad de vuelo de los VANT al mejorar la visibilidad del área de aterrizaje sin depender de marcadores infrarrojos activos o infraestructura de navegación adicional.
Descripción
Para los Vehículos Aéreos No Tripulados (VANT), la detección óptica para un aterrizaje fiable y la identificación del área de aterrizaje es un elemento crucial. En condiciones de poca luz, por la noche y en clima de niebla, donde la detección óptica no es factible, se puede utilizar la imagen térmica. Aunque esta situación ha sido ampliamente investigada, la mayoría de los enfoques de aterrizaje de VANT dependen de la asistencia GNSS o de la detección de un solo modo, lo que limita su robustez y escalabilidad en operaciones del mundo real. Este estudio propone una plataforma de aterrizaje térmica para helicópteros, calentada activamente, diseñada utilizando elementos de calefacción resistiva alimentados eléctricamente y un recubrimiento de superficie de alta emisividad. Además, las imágenes ópticas y térmicas recopiladas durante experimentos de vuelo reales de VANT en condiciones diurnas y nocturnas fueron procesadas utilizando técnicas de fusión de imágenes con fusiones AVGF, DWTF, GPF, LPF, MPF y HWTF, y se comparó su rendimiento en modelos de aprendizaje profundo. Los conjuntos de datos ópticos, térmicos y fusionados obtenidos se utilizan para entrenar y evaluar modelos de detección de plataformas de aterrizaje de helicópteros basados en aprendizaje profundo, utilizando la arquitectura YOLOv8. Los resultados experimentales muestran que los modelos entrenados con datos de un solo modo exhiben una generalización limitada entre dominios, mientras que el aprendizaje basado en fusión mejora significativamente la robustez de la detección en los dominios óptico y térmico. Entre los métodos evaluados, LPF, MPF y HWTF proporcionan las mejoras de rendimiento más consistentes. Los hallazgos indican que las plataformas de aterrizaje térmicas para helicópteros calentadas eléctricamente, cuando se combinan con fusión de imágenes y detección basada en aprendizaje profundo, pueden aumentar la detectabilidad de aterrizaje de los VANT por la noche y en condiciones de baja visibilidad. Este enfoque centrado en la detección contribuye a la seguridad de vuelo de los VANT al mejorar la visibilidad del área de aterrizaje sin depender de marcadores infrarrojos activos o infraestructura de navegación adicional.