Real-time drone type recognition using artificial intelligence

Abstract

The rapid proliferation of drones in military, civilian and critical infrastructure requires fast and accurate systems for their recognition and classification. The study aimed to increase the efficiency and accuracy of drone identification by developing an approach to their classification using artificial intelligence methods in real time. The study involved the analysis of drone typology, comparative analysis of artificial intelligence methods, visual modelling, software prototyping, and evaluation of classification accuracy metrics. As a result of the first stage of the study, a classification of drones by design, purpose, size and technical characteristics that affect their visual recognition was formed. The study established that multi-rotor vehicles are the most common due to their ease of operation; single-rotor vehicles are distinguished by their carrying capacity and flight duration; fixed-wing vehicles provide speed and range; and hybrid vehicles combine vertical take-off and horizontal flight. Additionally, specialised types of drones (combat, reconnaissance, photographic, micro- and tactical) were identified, and drones were classified by size, used in the study to compare the dimensions, weight, payload and flight duration with the types of applications. The second stage of the study included a comparative analysis of artificial intelligence methods for identifying types of drones in real time. The study established that computer vision models, in particular, convolutional neural networks, provide high accuracy, and one-stage architectures provide fast object detection. Transformers and fully connected neural layers demonstrate accuracy but require significant resources. Classical machine learning algorithms, such as support vector machine (92%), random forest (89%), nearest neighbours (87.7%), and naive Bayesian classifier (79%), showed different performance. In addition, reinforcement learning can be used in systems to adapt to changes in the environment, and decision trees provide transparency in classification. The results obtained contribute to the development of real-time drone detection and classification systems for defence, infrastructure protection, airspace monitoring and public safety.

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.