Розпізнавання типів дронів у реальному часі за допомогою штучного інтелекту

Стрімке поширення дронів у військовій, цивільній та критичній інфраструктурі вимагає створення швидких і точних систем для їх розпізнавання та класифікації. Мета дослідження полягала у підвищенні ефективності і точності ідентифікації дронів шляхом розроблення підходу до їх класифікації з використанням методів штучного інтелекту в умовах реального часу. У процесі дослідження застосовано аналіз типології дронів, порівняльний аналіз методів штучного інтелекту, візуальне моделювання, програмне прототипування та оцінку метрик точності класифікації. У результаті першого етапу дослідження сформовано класифікацію дронів за конструкцією, призначенням, розміром і технічними характеристиками, що впливають на їх візуальне розпізнавання. Встановлено, що мультироторні апарати є найпоширенішими через простоту керування; однороторні – вирізняються вантажопідйомністю та тривалістю польоту; фіксованокрилі – забезпечують швидкість і дальність; гібридні – поєднують вертикальний зліт і горизонтальний політ. Додатково виокремлено спеціалізовані типи безпілотників (бойові, розвідувальні, фотографічні, мікро- та тактичні), а також класифіковано дрони за розміром, що дозволило зіставити габарити, вагу, вантажопідйомність і тривалість польоту з типами застосування. Другий етап дослідження охопив порівняльний аналіз методів штучного інтелекту для ідентифікації типів дронів у реальному часі. Встановлено, що моделі комп’ютерного зору, зокрема згорткові нейронні мережі, забезпечують високу точність, а одноетапні архітектури – швидку детекцію об’єктів. Трансформери й повнозв’язні нейронні шари демонструють точність, але потребують значних ресурсів. Класичні алгоритми машинного навчання, зокрема метод опорних векторів (92 %), випадковий ліс (89 %), метод найближчих сусідів (87,7 %) та наївний баєсівський класифікатор (79 %) показали різну ефективність. Крім того, підкріплювальне навчання дозволяє адаптувати системи до змін середовища, а дерева рішень забезпечують прозорість класифікації. Отримані результати сприяють розробці систем виявлення та класифікації дронів у реальному часі для оборони, охорони інфраструктури, моніторингу повітряного простору та громадської безпеки