Комплексный подход к обнаружению и отслеживанию беспилотных летательных аппаратов на основе компьютерного зрения

Авторы

Голубев А. С.^*, Иламанова В. , Нгуен М. З., Сошников Д. М., Хиленко А. А.

Владимирский государственный университет имени А. Г. и Н. Г. Столетовых, ул. Горького, 87, Владимир, 600000, Россия

*e-mail: andrey.golubev@vlsu.ru

Аннотация

Предложен комплексный подход к противодействию беспилотным летательным аппаратам, охватывающий все этапы обработки: обнаружение, классификацию, отслеживание и прогнозирование траектории. На этапе обнаружения проведено сравнительное исследование современных архитектур нейронных сетей (YOLOv8, YOLOX, SSD), где модель YOLOX показала наивысшую точность с mAP50=0,964. Для классификации типов БПЛА использованы сверточные нейронные сети, обеспечившие точность до 91,35%. На этапе отслеживания оптимальным признан алгоритм CSRT, демонстрирующий устойчивость к перекрытиям и изменению освещения. Для прогнозирования траектории наилучшие результаты показала полиномиальная регрессия со средней ошибкой 1,27%. Созданные тестовые датасеты и выполнено дообучение моделей с использованием аугментации данных. Результаты могут быть применены в системах мониторинга и защиты воздушного пространства. В работе рассмотрены традиционные и современные методы обнаружения БПЛА, включая радиочастотные, акустические и оптические подходы. Проведён анализ существующих решений и их ограничений. Разработана методология исследования, включающая создание специализированных датасетов, обучение и тестирование моделей. Эксперименты выполнены в среде Google Colab с использованием GPU NVIDIA Tesla T4. Программная реализация осуществлена на Python 3.9 с библиотеками PyTorch и OpenCV 4.8.0. Полученные результаты подтверждают эффективность предложенного подхода в реальных условиях.

Ключевые слова:

объектов; отслеживание; прогнозирование траектории движения; YOLO; CSRT; OpenCV

Список источников

1. Основные методы обнаружения и глушения дронов (БПЛА) // АО «ТРАНЗАС Консалтинг». - Июнь 2025. URL: https://trancons.ru/information/stati_i_publikacii/drone-supression.
2. Khawaja W., Ezuma M., Semkin V., Erden F., Ozdemir O., Guvenc I. A Survey on Detection, Classification, and Tracking of UAVs Using Radar and Communications Systems // IEEE Communications Surveys & Tutorials. 2025. DOI: https://doi.org/10.1109/COMST.2025.3554613.
3. Разработана система для обнаружения БПЛА над городом по издаваемым звукам // CNews. 2025. 6 августа. URL: https://www.cnews.ru/news/top/2025-08-06_razrabotana_sistema_dlya. 
4. Бахвалов И.М., Старцев С.В. Распознавание БПЛА различных классов средствами компьютерного зрения // НИТУ «МИСиС». Москва, 2025. URL: https://www.researchgate.net/publication/387896752.
5. Кульчицкий А.И., Макарчук Н.С., Калашников Г.А. Использование компьютерного зрения для распознавания техники // Научный аспект. Т.18 2023. № 5. - C.2245-2253 URL: https://na-journal.ru/5-2023-informacionnye-tekhnologii/5535-ispolzovanie-kompyuternogo-zreniya-dlya....
6. Liu, Z.; An, P.; Yang, Y.; Qiu, S.; Liu, Q.: Xu, X. Vision-Based Drone Detection in Complex Environments: A Survey. Drones 2024, 8, 643. DOI: https://doi.org/10.3390/drones8110643.
7. Alshaer, N., Abdelfatah, R., Ismail, T. and Mahmoud, H. (2025), Vision-Based UAV Detection and Tracking Using Deep Learning and Kalman Filter. Computational Intelligence, 41: e70026. DOI: https://doi.org/10.1111/coin.70026.
8. Ramachandran, Anitha Sangaiah, Arun. (2021). A Review on Object Detection in Unmanned Aerial Vehicle Surveillance. International Journal of Cognitive Computing in Engineering. 2. DOI: https://doi.org/10.1016/j.ijcce.2021.11.005.
9. Unlu E., Zenou E., Riviere N. et al. Deep learning-based strategies for the detection and tracking of drones using several cameras // IPSJ Transactions on Computer Vision and Applications. 2019. Vol. 11. Art. 7. DOI: https://doi.org/10.1186/s41074-019-0059-x. 
10. Raed Abu Zitar, Mohammad Al-Betar, Mohamad Ryalat, Sofian Kassaymeh. (2023) A review of UAV Visual Detection and Tracking Methods. — arXiv:2306.05089 [cs.CV]. URL: https://arxiv.org/pdf/2306.05089.
11. K. He, X. Zhang, S. Ren and J. Sun, Deep Residual Learning for Image Recognition (2016) IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 770-778. DOI: https://doi.org/10.1109/CVPR.2016.90. 
12. Xie S., Girshick R., Dollár P., Tu Z., He K. Aggregated Residual Transformations for Deep Neural Networks // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 1492-1500. DOI: https://doi.org/10.1109/CVPR.2017.634. 
13. Tan, M. and Le, Q.V. (2019) Efficient Net: Rethinking Model Scaling for Convolutional Neural Networks. Proceedings of the 36th International Conference on Machine Learning, ICML 2019, Long Beach, 9-15 June 2019, pp. 6105-6114. URL: http://proceedings.mlr.press/v97/tan19a.html. 
14. Yurushkin M. A Complete Review of the OpenCV Object Tracking Algorithms // Brouton Lab. URL: https://broutonlab.com/blog/opencv-object-tracking. 

Скачать статью