(50-2) 15 * << * >> * Русский * English * Содержание * Все выпуски

Сравнительный анализ нейросетевых моделей для задачи обнаружения беспилотных летательных аппаратов
С.В. Вычегжанин1, А.Г. Татаринова1, Р.Е. Мышкин2

1Вятский государственный университет, 610000, Россия, г. Киров, ул. Московская, д. 36;
2АО «Научно-исследовательский институт средств вычислительной техники», 610025, Россия, г. Киров, ул. Мельничная, д. 31

  Полный текст (PDF)

DOI: 10.18287/COJ1728

ID статьи: 1728

Аннотация:
В статье проведен сравнительный анализ моделей YOLO и вариантов их тонкой настройки для задачи обнаружения беспилотных летательных аппаратов в реальном времени. Представлены оценки качества и вычислительной производительности различных семейств моделей от YOLOv3 до YOLO12 и версий от нано- до сверхбольшой. Проанализированы их преимущества и недостатки на основе широкого спектра мер, включая точность, полноту, F1-меру, среднюю точность, время вывода и размер модели. Исследованы варианты тонкой настройки предварительно обученных на корпусе Common Objects in Context моделей при разных разрешениях входных изображений и скорости обучения. Выполнен анализ ошибок обнаружения беспилотных летательных аппаратов малых размеров в сложных условиях с использованием специализированных наборов данных. Исследование показало, что семейство YOLO11 является оптимальным по совокупности оцениваемых параметров, обеспечивая баланс между качеством и вычислительной производительностью. Наиболее высокие оценки качества обнаружения беспилотных летательных аппаратов на тестовом наборе данных были получены с использованием тонко настроенной модели yolo11m с увеличенным разрешением входных изображений и достигли значений F1 = 0,970, AP50 = 0,981, AP50-95 = 0,765.

Ключевые слова:
обработка изображений, обнаружение объектов, нейросетевые алгоритмы, глубокое обучение, трансферное обучение.

Цитирование:
Вычегжанин, С.В. Сравнительный анализ нейросетевых моделей для задачи обнаружения беспилотных летательных аппаратов / С.В. Вычегжанин, А.Г. Татаринова, Р.Е. Мышкин // Компьютерная оптика. — 2026. — Т. 50, № 2. — 1728. — DOI: 10.18287/COJ1728.

Citation:
Vychegzhanin SV, Tatarinova AG, Myshkin RE. Comparative analysis of neural network models for detecting unmanned aerial vehicles. Computer Optics 2026; 50(2): 1728. DOI: 10.18287/COJ1728.

References:

  1. Benarbia T, Kyamakya K. A literature review of drone-based package delivery logistics systems and their implementation feasibility. Sustainability 2022; 14(1): 360. DOI: 10.3390/su14010360.
  2. Alsalam BHY, Morton K, Campbell D, Gonzalez F. Autonomous UAV with vision based on-board decision making for remote sensing and precision agriculture. 2017 IEEE Aerospace Conference, Big Sky, MT, USA, 4-11 March 2017: 1-12. DOI: 10.1109/AERO.2017.7943593.
  3. Reedha R, Dericquebourg E, Canals R, Hafiane A. Transformer neural network for weed and crop classification of high resolution UAV images. Remote Sens 2022; 14(3): 592. DOI: 10.3390/rs14030592.
  4. Chamola V, Kotesh P, Agarwal A, Gupta N, Guizani M. A comprehensive review of unmanned aerial vehicle attacks and neutralization techniques. Ad Hoc Netw 2021; 111: 102324. DOI: 10.1016/j.adhoc.2020.102324.
  5. Coveney S, Roberts K. Lightweight UAV digital elevation models and orthoimagery for environmental applications: Data accuracy evaluation and potential for river flood risk modelling. Int J Remote Sens 2017; 38(8-10): 3159-3180. DOI: 10.1080/01431161.2017.1292074.
  6. Agyemang IO, Zhang X, Adjei-Mensah I, Acheampong D, Fiasam LD, Sey C, Yussif SB, Effah D. Automated vision-based structural health inspection and assessment for post-construction civil infrastructure. Autom Constr 2023; 156(2): 105153. DOI: 10.1016/j.autcon.2023.105153.
  7. Turkmen Z, Kuloglu M. A new era for drug trafficking: Drones. Forensic Sci Addict Res 2018; 2(1): 114-118. DOI: 10.31031/FSAR.2018.02.000539.
  8. Mahdavi F, Rajabi R. Drone detection using convolutional neural networks. 2020 6th Iranian Conf on Signal Processing and Intelligent Systems (ICSPIS) 2020: 1-5. DOI: 10.1109/ICSPIS51611.2020.9349620.
  9. Kassab M, Zitar RA, Barbaresco F, Seghrouchni AEF. Drone detection with improved precision in traditional machine learning and less complexity in single shot detectors. IEEE Trans Aerosp Electron Syst 2024; 60(4): 3847-3859. DOI: 10.1109/TAES.2024.3368991.
  10. Cheng F, Liang Z, Peng G, Liu S, Li S, Ji M. An anti-UAV long-term tracking method with hybrid attention mechanism and hierarchical discriminator. Sensors 2022; 22(10): 3701. DOI: 10.3390/s22103701.
  11. Huang B, Li J, Chen J, Wang G, Zhao J, Xu T. Anti-UAV410: A thermal infrared benchmark and customized scheme for tracking drones in the wild. IEEE Trans Pattern Anal Mach Intell 2023; 46(5): 2852-2865. DOI: 10.1109/TPAMI.2023.3335338.
  12. Xie X, Xi J, Yang X, Lu R, Xia W. STFTrack: Spatio-temporal-focused siamese network for infrared UAV tracking. Drones 2023; 7(5): 296. DOI: 10.3390/drones7050296.
  13. Yu Q, Ma Y, He J, Yang D, Zhang T. A unified transformer-based tracker for anti-UAV tracking. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) 2023: 3036-3046. DOI: 10.1109/CVPRW59228.2023.00305.
  14. Tong X, Zuo Z, Su S, Wei J, Sun X, Wu P, Zhao Z. ST-Trans: Spatial-temporal transformer for infrared small target detection in sequential images. IEEE Trans Geosci Remote Sens 2024; 62: 5001819. DOI: 10.1109/TGRS.2024.3355947.
  15. Yang Z, Lan X, Wang H. Comparative analysis of YOLO series algorithms for UAV-based highway distress inspection: performance and application insights. Sensors 2025; 25(5): 1475. DOI: 10.3390/s25051475.
  16. Elesawy A, Mohammed Abdelkader E, Osman H. A detailed comparative analysis of you only look once-based architectures for the detection of personal protective equipment on construction sites. Eng 2024; 5(1): 347-366. DOI: 10.3390/eng5010019.
  17. Suewongsuwan K, Angsuseranee N, Wongkamchang P, Phasinam K. Comparative analysis of UAV detection and tracking performance: Evaluating YOLOv5, YOLOv8, and YOLOv8 DeepSORT for enhancing anti-UAV systems. Edelweiss Appl Sci Tech 2024; 8(5): 708-726. DOI: 10.55214/25768484.v8i5.1737.
  18. Hakani R, Rawat A. Edge computing-driven real-time drone detection using YOLOv9 and NVIDIA Jetson Nano. Drones 2024; 8(11): 680. DOI: 10.3390/drones8110680.
  19. Dewangan V, Saxena A, Thakur R, Tripathi S. Application of image processing techniques for UAV detection using deep learning and distance-wise analysis. Drones 2023; 7(3): 174. DOI: 10.3390/drones7030174.
  20. Zhao J, Zhang J, Li D, Wang D. Vision-based anti-UAV detection and tracking. IEEE Trans Intell Transp Syst 2022; 23(12): 25323-25334. DOI: 10.1109/TITS.2022.3177627.
  21. Lin TY, Maire M, Belongie S, Hays J, Perona P, Ramanan D, Dollar P, Zitnick CL. Microsoft COCO: Common objects in context. In: Fleet D, Pajdla T, Schiele B, Tuytelaars T, eds. Computer Vision - ECCV 2014: 13th European Conference, Zurich, Switzerland, September 6-12, 2014, Proceedings, Part V. Cham: Springer International Publishing Switzerland; 2014: 740-755. DOI: 10.1007/978-3-319-10602-1_48.
  22. Zoph B, Ghiasi G, Lin T-Y, Cui Y, Liu H, Cubuk ED, Le QV. Rethinking pre-training and self-training. NIPS'20: Proceedings of the 34th International Conference on Neural Information Processing Systems 2020: 3833-3845.
  23. Li Y, Zhang H, Zhang Y. Rethinking training from scratch for object detection. arXiv Preprint. 2021. Source: https://arxiv.org/abs/2106.03112. DOI: 10.48550/arXiv.2106.03112.
  24. Ultralytics. 2025. Source: https://github.com/ultralytics.

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20