컴퓨터 비전을 이용한 무인항공기 탐지

추상

기술의 혁신으로 보안이 가장 큰 문제로 대두되고 있습니다. 기하급수적으로 증가하는 드론의 접근성은 일반 보안에 큰 위협이 되고 있습니다. UAV의 사용은 지난 몇 년 동안 증가했습니다. 여기에서 보안 문제를 염두에 두고 솔루션을 제안합니다. 먼저 UAV를 감지한 다음 경로를 추적합니다.

객체 감지의 경우 Computer Vision 딥 러닝 알고리즘이 매우 효과적입니다. 입력은 실시간 객체 감지 및 추적에 사용되는 신경망인 YOLO에 의해 처리됩니다.

2.1 UAV의 개념 이해

"컴퓨터 비전을 이용한 UAV 탐지 및 추적"이라는 제목에 따라 UAV(무인항공기) 원격으로 또는 온보드 컴퓨터에서 제어할 수 있는 조종사가 없는 항공기입니다.

UAV는 농업, 과학 연구, 일기 예보, 운송 및 배송, 구조 작업 및 의료와 같은 유익한 목적으로 사용될 수 있습니다. 공격, 미사일 공격, 표적 사살 등과 같은 재난 목적으로 사용할 수 있습니다.

2.2 컴퓨터 비전이란 무엇입니까?

컴퓨터 비전 컴퓨터가 인간의 눈의 시각과 같은 방식으로 이미지를 보고 식별하고 처리하고 적절한 출력을 제공하도록 하는 과학 분야입니다. 컴퓨터 비전은 다음과 같은 거의 모든 분야에서 사용됩니다.

• 객체, 얼굴 감지
• 로봇 수술 및 의료 진단
• 이미지 처리
• 농업
• 우주 기술(NASA Mars Rover에는 행성의 지형을 모델링하고 경로에 있는 장애물을 감지하고 파노라마 이미지를 연결하는 기능이 포함됨) 컴퓨터 비전의 응용 프로그램은 그림 1.4에 나와 있습니다.

2.3 이미지 처리 기술이란 무엇입니까?

이미지 처리 기술은 컴퓨터 비전에서 다양한 작업을 수행하는 데 사용됩니다. 이미지의 품질을 향상시키거나 이미지 스택으로 얻은 후 특정 결과를 얻기 위해 수행되는 작업 및 적용되는 방법을 이미지 처리라고 합니다.

이미지 처리는 오늘날 모든 비즈니스 영역에서 응용 프로그램이 증가하면서 가장 빠르게 발전하는 정보 기술 영역 중 하나로 간주됩니다. 이미지 처리 응용 프로그램은 다음과 같습니다.

이미지 처리의 사용 사례

이미지 처리는 다음 필드에서 사용할 수 있습니다.

• 로봇공학
• 의료
• 패턴 인식
• 동영상 처리
• 얼굴 인식

  2.4 소프트웨어 요구사항

• 아나콘다
• 스파이더
• 파이썬
• 개방형 CV 라이브러리

3. 객체 감지 알고리즘

객체 감지를 위한 많은 알고리즘이 있습니다. 그 중 일부는 다음과 같습니다.

• 보일라와 존스
• 컨볼루션 신경망(CNN)
• You Only Look Once(YOLO)
• 단일 샷 감지기(SSD)
• 지역 컨볼루션 신경망(R-CNN)

표 3.1:탐지 알고리즘

알고리즘	설명	강도	약점
VOILA    AND JONES (바이올라-존스 알고리즘은 2001년 Paul Viola와 Michael Jones가 설계했습니다.	주요 목적은 얼굴 및 물체 감지였습니다. 실시간으로 물체를 감지할 수 있습니다. 이미지를 줄 때 알고리즘은 더 작은 하위 영역을 보고 각 하위 영역의 특수 기능을 보고 개체를 찾으려고 합니다. Viola와 Jones 알고리즘은 Haar와 유사한 기능을 사용하여 물체를 감지합니다.	강력함 매우 높은 탐지율. 이미지의 다른 부분을 각각 보는 다른 분류기 사용 빠름 가장자리와 선을 잘 감지함	기울거나 돌린 얼굴을 감지할 수 없습니다. 조명 조건에 민감합니다. 움직이는 물체를 감지할 수 없음
1980년 Kunihiko     Fukushima에 의해 도입된 CNN(Convolutional Neural Networks)	검출, 인식 및 세분화의 진실성을 수행하도록 훈련할 수 있는 생물학적으로 영감을 받은 계층 모델입니다. 기본적으로 딥 러닝 알고리즘이며 이미지를 입력으로 사용하고 이미지에 있는 객체에 학습 가능한 가중치와 편향을 할당하고 서로를 구별합니다.	교육을 통해 기능을 결정합니다(자유도가 더 높음). 전체 이미지를 보는 단일 분류를 사용합니다. 행렬 연산을 적용합니다. 정확합니다.	대용량 데이터세트가 필요합니다. 비쌉니다.
YOLO    (당신은 한 번만 보입니다)	실시간 탐지 알고리즘입니다. 이미지에 신경망 알고리즘을 적용하고 이미지를 S x S 그리드로 분할하여 이미지 주위에 경계를 만들고 각 경계에 대한 가능성을 예측하는 회귀를 사용합니다.	같은 이미지에서 여러 개체를 감지할 수 있습니다. 실시간 실행 매우 빠름 고성능 백그라운드 오류 없음	1. 그리드 셀당 하나의 개체를 감지합니다. 2.   정확성보다 고성능을 선호합니다.
SSD(단일 샷 감지기)	이 방법은 한 번에 여러 개체를 감지하기만 하면 됩니다. 이 방법은 매우 빠릅니다. 실시간 구현을 위해 설계되었습니다. 여기에는 두 개의 구성 요소 백본과 SSD 헤드가 포함됩니다.	높은 계산 시간 높은 정확도 정확도는 보통 수준입니다.	대형 개체에는 잘 수행되지만 작은 개체에는 약간 떨어집니다. 종단 간 감지가 너무 느립니다. 계산상 비싸다.

여기서 Yolo 신경망 알고리즘이 사용됩니다. 이 알고리즘은 실시간 구현을 위해 매우 빠릅니다. 신경망 알고리즘을 사용하여 이미지를 S x S 그리드로 나누고 이미지 주변에 경계를 만들어 각 경계에 대한 가능성을 예측합니다. 탐지를 위한 알고리즘은 표 4.4에 나와 있습니다.

3.1 추적 알고리즘

물체를 감지한 후 다음 초점이 맞춰집니다. 감지된 물체가 연이나 새인 경우 추적할 필요가 없지만 감지된 물체가 드론이면 대상을 추적합니다.

객체 추적에는 많은 알고리즘이 사용됩니다. 그러나 YOLO는 이 알고리즘이 빠르고 정확하며 대상이 카메라 범위를 벗어날 때까지 감지하고 추적할 수 있기 때문에 추적에 사용됩니다.

4. 제안된 디자인의 구현

제안된 디자인의 구현은 다음과 같습니다. 소프트웨어에서 프로젝트를 실행하는 데 필요한 모든 단계가 수행됩니다.

4.1 초기 단계

1. 이미지 처리에는 좋은 CPU/GPU가 필요합니다. CPU를 선택하십시오. 웹사이트에서 아나콘다 설치 Anaconda 설치는 그림 4.1과 같습니다.
2. Anaconda Navigator 설치 후 환경 대화 상자를 사용하여 환경을 만들고 Python 버전을 선택합니다.
   

3. 환경을 성공적으로 만든 후 다음 단계는 사용하기 쉬운 Spyder를 설치하는 것입니다. 그런 다음 pip install cv2 명령을 통해 열린 CV를 설치합니다.

4.2 데이터 세트 준비

1. 드론, 새, 비행기, 헬리콥터, 연, 풍선과 같은 다양한 공기 물체의 이미지를 많이 수집합니다.

참고: 데이터 세트를 만드는 것은 단순히 이미지를 수집하는 것 이상입니다. 이미지의 이름을 지정하고 각 이미지에서 이러한 특정 개체의 위치를 ​​알려줍니다. 이를 위해 Labellmg는 이미지를 텍스트 파일로 변환하는 데 사용됩니다. 그림 4.6과 같이

1. 모든 개체의 Txt 파일이 만들어지면. 모든 이미지와 텍스트 파일을 zip 파일에 넣습니다. 또한 포함된 클래스의 이름 파일입니다.

4.3 YOLO 구성

구성하려면 다음 단계를 따르세요. 

1. YOLO v3로 다크넷을 설치합니다.
2. YOLO를 구성하려면 이전에 만든 데이터 세트의 모든 이미지와 .txt 파일을 포함하는 darknet/data 폴더를 만듭니다.
3. 사용자 정의 구성 파일을 만들려면 cfg의 YOLO v3에서 필요한 수정을 수행하고 클래스 및 단계와 관련하여 배치, 세분화 및 최대 배치를 조정합니다.
4. 클래스 수 입력 시 YOLO 위의 convolutional layer를 변경합니다. 또한 random을 1로 설정합니다. cfg 매개변수는 표 4.1에 나와 있습니다.

표 4.1:CFG 매개변수

이름	설명
일괄	그래디언트를 계산하고 역전파 방법을 통해 가중치를 업데이트하기 위해 순방향 패스에서 사용되는 이미지와 레이블 수입니다.
세분	배치는 많은 "블록"으로 세분화됩니다. 블록의 이미지는 병렬로 실행됩니다.
단계	500,1000:500 및 1000 배치 후 학습률을 조정합니다.
레이어(필터)	레이어에 몇 개의 컨볼루션 커널이 있는지.
레이어(랜덤)	YOLO 레이어를 넣습니다. 1로 설정하면 개체 크기를 일반화하는 데 사용되는 몇 번의 배치마다 이미지 크기를 다른 크기로 조정하여 데이터 증대를 수행합니다.

1. 데이터/obj.names를 통해 드론, UAV, 새, 연 등 감지하려는 모든 이름이 기록된 Custom 개체 폴더를 만듭니다.
2. obj.data 클래스 수에는 train.txt, valid, names, weights 폴더가 포함되어 저장됩니다.
3. train.txt에는 이미지의 모든 데이터와 이름이 저장됩니다.

4.4 데이터 세트에 대한 YOLO 교육

맞춤형 데이터 세트에 대한 YOLO 교육도 다크넷을 통해 수행됩니다. 다크넷을 복제 및 활성화하고 공개 CV를 활성화합니다. 위에서 생성한 ZIP 폴더, .cfg 파일, .names 파일, obj.data 파일, train.txt 파일을 가져와서 실행 횟수를 세어 YOLO v3 훈련을 위한 다크넷 네트워크를 구성합니다.

수천 번을 반복하면 CPU 성능에 따라 약 2시간이 소요될 수 있습니다. 훈련된 데이터 세트는 평균 손실을 알려주면서 사용할 준비가 되어 시스템과 통합됩니다.

4.5 이미지 및 비디오 입력에 대한 테스트 코드

맞춤형 데이터 세트에 대해 YOLO를 훈련시킨 후 YOLO 가중치라고 하는 훈련된 데이터 세트에 대한 코드 테스트를 시작합니다. 이 경우에는 4개의 클래스가 있습니다.

다른 장치에서 YOLO 감지를 시도하십시오. 가중치가 크면 정확도는 좋지만 초당 프레임 수가 낮아 처리 속도가 약간 느립니다. UAV, 새의 비디오를 만들고 이 데이터를 코드에 대한 입력으로 제공했습니다. 모든 개체는 fps 및 임계값이 지정된 레이블로 성공적으로 감지되고 추적됩니다.

이제 코드는 웹캠의 실시간 입력을 통해 실시간 시나리오에 대해 테스트할 수 있습니다. 카메라의 범위를 변경하여 UAV를 비행하고 결과를 기록하면 "UAV의 감지 및 추적"에 따라 출력이 표시됩니다.