Radar-optische Fusionserkennung von UAVs basierend auf verbessertem YOLOv7-tiny

Abstract Diese Studie präsentiert ein radar-optisches Fusionsverfahren zur Erkennung unbemannter Luftfahrzeuge (UAVs) in maritimen Umgebungen. Radar- und Kameratechnologien werden integriert, um die Erkennungsfähigkeiten der Plattformen zu verbessern. Die vorgeschlagene Methode beinhaltet die Generierung von Interessensgebieten (ROI), indem Radar-Spuren durch Matrixtransformation und geometrische Zentrumsregistrierung auf optische Bilder projiziert werden. Die generierten ROI werden mit YOLO-Erkennungsboxen unter Verwendung des Intersection-over-Union (IoU)-Algorithmus abgeglichen, was eine radar-optische Fusionserkennung ermöglicht. Ein modifizierter Algorithmus, genannt SPN-YOLOv7-tiny, wurde entwickelt, um die Herausforderung der Erkennung kleiner UAV-Ziele zu bewältigen, die in Bildern leicht übersehen werden können. In diesem Algorithmus werden die konvolutionalen Schichten im Rückgratnetzwerk durch eine Raum-zu-Tiefe-Konvolution ersetzt, und eine Schicht zur Erkennung kleiner Objekte wird hinzugefügt. Darüber hinaus wurde die Verlustfunktion durch eine normalisierte gewichtete Distanzverlustfunktion ersetzt. Experimentelle Ergebnisse zeigen, dass SPN-YOLOv7-tiny im Vergleich zur ursprünglichen YOLOv7-tiny-Methode eine verbesserte mAP@0.5 (mittlere durchschnittliche Präzision bei einem IoU-Schwellenwert von 0,5) von 0,852 auf 0,93 erreicht, während eine hohe Bildrate von 135,1 Bildern pro Sekunde beibehalten wird. Darüber hinaus erreicht die vorgeschlagene radar-optische Fusionserkennungsmethode eine Genauigkeit von 96,98 % und übertrifft die individuellen Erkennungsergebnisse von Radar und Kamera. Die vorgeschlagene Methode adressiert effektiv die Erkennungsherausforderungen, die durch eng beieinanderliegende überlappende Ziele auf einem Radarchart entstehen.