Developing the GoogleNet neural network for the detection and recognition of unmanned aerial vehicles in the data Fusion System

Autor: Vladislav Semenyuk, Ildar Kurmashev, Alberto Lupidi, Alessandro Cantelli-Forti
Jazyk: angličtina
Rok vydání: 2023
Předmět:
Zdroj: Eastern-European Journal of Enterprise Technologies; Vol. 2 No. 9 (122) (2023): Information and controlling system; 16-25
Eastern-European Journal of Enterprise Technologies; Том 2 № 9 (122) (2023): Інформаційно-керуючі системи; 16-25
ISSN: 1729-3774
1729-4061
Popis: This work reports a study into the possibility of using the GoogleNet neural network in the optoelectronic channel of the Data Fusion system. The search for the most accurate algorithms for detecting and recognizing unmanned aerial vehicles (UAVs) in Data Fusion systems has been carried out. The data processing scheme was selected (merging SVF state vectors and merging MF measurements), as well as the sensors and recognition models on each channel of the system. The Data Fusion model based on the Kalman Filter was chosen, integrating radar and optoelectronic channels. Mini-radars LPI-FMCW were used as a radar channel. Evaluation of the effectiveness of the selected Data Fusion channel model in UAV detection is based on the recognition accuracy. The main study is aimed at determining the possibility of using the GoogleNet neural network in the optoelectronic channel for UAV recognition under conditions of different range classes. The neural network for the recognition of drones was developed using transfer training technology. For training, validation, and testing of the GoogleNet neural network, a database has been built, and a special application has been developed in the MATLAB environment. The capabilities of the developed neural network were studied for 5 variants of the distance to the object. The detection objects were the Inspire 2, DJI Phantom 4 Pro, DJI F450, DU 1911 UAVs, not included in the training database. The UAV recognition accuracy by the neural network was 98.13 % at a distance of up to 5 m, 94.65 % at a distance of up to 20 m, 92.47 % at a distance of up to 20 m, 90.28 % at a distance of up to 100 m, and 88.76 % at a distance of up to 200 m. The average speed of UAV recognition by this method was 0.81 s.
У цій роботі повідомляється про дослідження можливості використання нейронної мережі GoogleNet в оптико-електронному каналі системи Data Fusion. Проведено пошук найбільш точних алгоритмів виявлення та розпізнавання безпілотних літальних апаратів (БПЛА) в системах Data Fusion. Було обрано схему обробки даних (об’єднання векторів стану SVF та об’єднання вимірювань MF), а також датчики та моделі розпізнавання на кожному каналі системи. Була обрана модель Data Fusion на основі фільтра Калмана, яка об’єднує радіолокаційні та оптико-електронні канали. В якості радіолокаційного каналу використовувалися мінірадари LPI-FMCW. Оцінка ефективності обраної моделі каналу Data Fusion у виявленні БПЛА базується на точності розпізнавання. Основне дослідження спрямоване на визначення можливості використання нейронної мережі GoogleNet в оптико-електронному каналі розпізнавання БПЛА в умовах різних класів дальності. Нейронна мережа для розпізнавання дронів була розроблена з використанням технології трансферного навчання. Для навчання, перевірки та тестування нейронної мережі GoogleNet створено базу даних і розроблено спеціальний додаток у середовищі MATLAB. Можливості розробленої нейронної мережі досліджували для 5 варіантів відстані до об’єкта. Об’єктами виявлення були БПЛА Inspire 2, DJI Phantom 4 Pro, DJI F450, DU 1911, не включені до навчальної бази. Точність розпізнавання БПЛА нейронною мережею склала 98,13 % на відстані до 5 м, 94,65 % на відстані до 20 м, 92,47 % на відстані до 20 м, 90,28 % на відстані до 100 м, а на дистанції до 200 м – 88,76 %. Середня швидкість розпізнавання БПЛА цим методом склала 0,81 с.
Databáze: OpenAIRE
Externí odkaz: