VISION-BASED MULTI-SCALE UAV DETECTION. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF KFUPM_Thesis_Final_To_DGS_Eprint.pdf Restricted to Repository staff only until 7 January 2025. Download (2MB)

Arabic Abstract

يعد اكتشاف الطائرات بدون طيار باستخدام رؤية الكمبيوتر وخوارزميات التعلم العميق موضوعًا سريع النمو للبحث الذي يحاول اكتشاف الطائرات بدون في التطبيقات المدنية والعسكرية، مثل انتهاكات الخصوصية UAV طيار في الوقت الفعلي. لقد أثيرت مخاوف بشأن المخاطر المحتملة لاستخدام المحتملة، والمخاوف المتعلقة بالسلامة، والتهديدات الأمنية. ولمعالجة هذه المخاوف، تم تطوير طرق الكشف عن الكائنات القائمة على الرؤية في الصور ذات الخلفيات المعقدة ومؤثرات الطقس مثل المطر والضوضاء وضبابية UAV ومع ذلك، لم يتم بعد دراسة اكتشاف .UAV للكشف عن الحركة بشكل معقول. ولهذا الغرض، قمنا بإعداد مجموعتين من البيانات التدريبية. تحتوي مجموعة البيانات الأولى على السماء كخلفية لها وتسمى تحتوي مجموعة بيانات التدريب الثانية على مشاهد أكثر تعقيدًا (بخلفيات متنوعة) وتسمى مجموعة بيانات .(SBD) مجموعة بيانات خلفية السماء علاوة على ذلك، لتسهيل إجراء تقييم أكثر شمولاً لفعالية هذا النموذج في الكشف عن الطائرات بدون طيار، قمنا برعاية .(CBD) الخلفية المعقدة مجموعة بيانات خلفية معقدة وقدمنا ثلاث مجموعات اختبار متميزة تتأثر بالظروف الجوية السيئة. تشتمل مجموعات الاختبار الثلاثة هذه على مجموعة لا يركز هذا العمل فقط على قياس .(MBTD) ومجموعة اختبار عدم وضوح الحركة ،(ANTD) AWGN ومجموعة اختبار (RTD)، اختبار المطر وعلى حد علمنا، فهو أول من قام بالتحقيق في أداء الرؤية YOLO-RAW، نماذج الكشف عن الأشياء الحديثة، ولكنه يقدم أيضًا نموذجًا جديدًا الحديثة والشائعة. طرق الكشف عن الكائنات القائمة على اكتشاف الطائرات بدون طيار في ظل ظروف صعبة مثل الخلفيات المعقدة، وأحجام المتفاوتة، وظروف الأمطار المنخفضة إلى الغزيرة. يجب أن تساعد النتائج المقدمة في العمل في تقديم رؤى تتعلق بأداء النماذج المختارة UAV .UAV في ظل ظروف صعبة وتمهيد الطريق لتطوير طرق كشف أكثر قوة UAV لاكتشاف

English Abstract

Unmanned Aerial Vehicle (UAV) detection using computer vision and deep learning algorithms is a rapidly growing topic of research that attempts to detect UAVs in real-time. Concerns have been raised about the potential risks of using UAV in civilian and military applications, such as potential privacy violations, safety concerns, and security threats. To address the concerns, vision-based object detection methods have been developed for UAV detection. However, UAV detection in images with complex backgrounds and weather artifacts like rain, noise, and motion blur has yet to be reasonably studied. Hence, for this purpose, we curated two custom training datasets. The first dataset has the sky as its background and is called the Sky Background Dataset (SBD). The second training dataset has more complex scenes (with diverse backgrounds) and is named the Complex Background Dataset (CBD). Furthermore, to facilitate a more comprehensive evaluation of this model’s effectiveness in UAV detection, we have curated a complex background dataset and introduced three distinct test sets affected by adverse weather conditions. These three test sets comprise the Rainy Test Dataset (RTD), the Additive White Gaussian Noise (AWGN) Test Dataset (ANTD), and the Motion Blurred Test Dataset (MBTD). This work not only focuses on benchmarking state-of-the-art object detection models, but also introduces a novel model YOLO-RAW, and to the best of our knowledge, it is the first to investigate the performance of recent and popular vision-based object detection methods for UAV detection under challenging conditions such as complex backgrounds, varying UAV sizes, and low-to-heavy rainy, motion blur, and noisy conditions. The findings presented in the work shall help provide insights concerning the performance of the selected models for UAV detection under challenging conditions and pave the way to develop more robust UAV detection methods.

Item Type:	Thesis (Masters)
Subjects:	Computer Engineering
Department:	College of Computing and Mathematics > Computer Engineering
Committee Advisor:	Siddiqui, Abdul Jabbar
Committee Members:	El-Maleh, Aiman H. and Khan, Ayaz Ul Hassan
Depositing User:	ADNAN MUNIR (g202110550)
Date Deposited:	08 Jan 2024 08:26
Last Modified:	08 Jan 2024 08:26
URI:	http://eprints.kfupm.edu.sa/id/eprint/142757