Real-Time Drone Detection in Event Cameras via Per-Pixel Frequency Analysis

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الكشف عن الطائرات بدون طيار في الوقت الفعلي عبر كاميرات الأحداث من خلال تحليل التردد لكل بكسل" للباحثين مايكل بيزيك وماجد شاهين.

1. بيان المشكلة

يعد اكتشاف المركبات الجوية غير المأهولة (UAVs) أمراً بالغ الأهمية لأمن المجال الجوي، ومع ذلك تواجه الطرق التقليدية قيوداً كبيرة:

• ندرة البيانات والتدريب: تتطلب مناهج التعلم العميق القياسية (مثل YOLO) مجموعات بيانات ضخمة وموسومة وعمليات تدريب مكثفة حوسبياً، مما يحد من القدرة على التوسع والتكيف مع البيئات الجديدة.
• قيود المستشعرات: تعاني الكاميرات التقليدية (RGB) القائمة على الإطارات من الحركة عالية السرعة، وضبابية الحركة، والإضاءة المنخفضة، وسيناريوهات النطاق الديناميكي العالي. وغالباً ما تفشل في التقاط الحركة عالية التردد والدقيقة لمراوح الطائرات بدون طيار.
• تحديات كاميرا الأحداث (Event Camera): بينما توفر كاميرات الأحداث دقة زمنية بالميكروثانية، ونطاقاً ديناميكياً عالياً، واستهلاكاً منخفضاً للطاقة، إلا أن بياناتها تكون متباعدة، وغير متزامنة، وغير منتظمة في أخذ العينات. وهذا يجعل تحويلات فوريه المتقطعة (DFT) القياسية، التي تفترض أخذ عينات منتظم، غير قابلة للتطبيق لتحليل البصمات الدورية للمراوح.

2. المنهجية: DDHF (الكشف عن الطائات بدون طيار عبر البصمة التوافقية)

يقترح المؤلفون إطار عمل DDHF، وهو إطار تحليلي بحت غير عصبي، يقوم بالكشف عن الطائرات بدون طيار من خلال تحديد "البصمة التوافقية" الفريدة لمراوحها الدوارة في تدفقات الأحداث.

أ. الأساس النظري

• فيزياء الدوار (Rotor Physics): يعمل المروح الدوار على تعديل سطوع المشهد، مما يخلق موجة مستطيلة دورية من الإضاءة. نظرياً، هذا يولد طيفاً خطياً (على شكل "مشط" من الترددات) عند تردد مرور الشفرة ($f_{BPF}$) وتوافقياته الصحيحة.
• تحويل فوريه المتقطع غير المنتظم (NDFT): للتعامل مع الطوابع الزمنية غير المتزامنة دون فقدان الدقة أو إدخال ظاهرة التعرج (Aliasing) عبر تقسيم الوقت إلى فترات (Time Binning)، يطبق المنهج الـ NDFT مباشرة على تدفق الأحداث.
  • لكل بكسل يحتوي على $M$ من الأحداث $(x, y, p_j, t_j)$، يتم حساب الطيف كالتالي:
    $$F_k = \sum_{j=1}^{M} p_j \exp(i k t_j)$$
  • بعد ذلك يتم تحليل طيف القدرة $P_k = |F_k|^2$.

ب. مسار الكشف (Detection Pipeline)

1. تجميع الأحداث (Event Batching): يتم بث الأحداث في نوافذ زمنية مدتها 33.3 مللي ثانية (ما يعادل 30 إطاراً في الثانية) ومعالجتها على وحدة معالجة الرسومات (GPU).
2. فلترة التسطح الطيفي (Spectral Flatness - SF): لرفض الضوضاء الخلفية والتشويش غير الدوري، يحسب الخوارزمية "التسطح الطيفي". يتم استبعاد البكسلات ذات التسطح الطيفي العالي (الضوضاء المنتظمة)؛ وتمر فقط البكسلات ذات الطاقة التوافقية المركزة.
3. تسجيل مشط التوافقيات (Harmonic Comb Scoring):
   • يبحث الخوارزمية عن تردد أساسي $\omega$ يتوافق مع سلسلة من التوافقيات الصحيحة.
   • يتم حساب درجة المشط (Comb Score) عبر متوسط الاستجابات عند ذروات التوافقيات الـ $M$ الأولى.
   • المتانة: للتعامل مع المراوح المتداخلة (مثل طائرتين بدون طيار أو مروحتين على بكسل واحد)، يستخدم المنهج نسبة الإشارة إلى الضوضاء المعيرة بالوسيط (Median-Normalized SNR). حيث يقارن القمم التوافقية مقابل وسيط القدرة للقيم غير التوافقية، بدلاً من المتوسط، لمنع المراوح الثانوية من تشويه مستوى الضوضاء.
4. التقسيم والدمج (Segmentation & Merging):
   • البكسلات التي تم تحديدها كمراوح تشكل قناعاً منطقياً (Boolean Mask).
   • يتم تسمية المكونات المتصلة لتشكيل صناديق الإحاطة (Bounding Boxes).
   • دمج الصناديق: بما أن طائرة واحدة قد تولد عدة صناديق للمراوح، يتم تطبيق قاعدة دمج هندسية. تُدمج الصنॉक्स إذا كانت مراكزها تقع ضمن مسافة تتناسب مع البعد الأقصى للصناديق ($\alpha$)، مما يضمن الدمج المتسق عبر مختلف الأعماق وزوايا الرؤية.

3. المساهمات الرئيسية

1. صياغة بصمات الطائرات بدون طيار: تقوم الورقة باشتقاق الهيكل التوافقي للمراوح رياضياً في تدفقات الأحداث، مما يوفر مؤشراً طيفياً قابلاً للقياس للكشف.
2. تنفيذ NDFT: تثبت أن رسم خرائط الحدث إلى الطيف هو فعلياً NDFT عبر طوابع زمنية غير متزامنة، مما يسمح بحساب فعال على وحدات معالجة الرسومات دون الحاجة لتقسيم زمني.
3. إطار عمل قابل للتفسير والضبط: على عكس الشبكات العصبية "الصندوق الأسود"، فإن DDHF تحليلي تماماً. يمكن ضبط المعلمات (مثل عتبة التسطح الطيفي، وعتبة درجة المشط) بشكل حدسي لموازنة الدقة والاستدعاء لبيئات محددة دون الحاجة لإعادة التدريب.
4. الأداء في الوقت الفعلي: المسار قابل للتوازي بشكل كبير، مما يحقق سرعات معالجة في الوقت الفعلي على الأجهزة القياسية.

4. النتائج التجريبية

قيم المؤلفون أداء DDHF مقابل خط أساس YOLOv11-n (المدرب على إطارات أحداث متراكمة) عبر سيناريوهات متنوعة: ثابتة، متحركة، متعددة الطائرات، أشعة الشمس المباشرة، كاميرا مهتزة، وبعيدة المدى (300 متر).

• المتانة: حافظ DDHF على دقة عالية في ضوء الشمس المباشر (مستفيداً من النطاق الديناميكي لـ 140 ديسيبل لكاميرا الأحداث) وتحت التشويش الخلفي الشديد (السيارات المتحركة)، حيث فشل YOLO تماماً.
• زمن التأخير: يعمل DDHF بسرعة ~2.4 مللي ثانية لكل إطار، وهو ضمن نطاق الـ 33.3 مللي ثانية المطلوب لـ 30 إطاراً في الثانية، بينما تطلب YOLO حوالي 12.4 مللي ثانية.
• التعميم: أدى DDHF أداءً جيداً مع أنواع وسرعات طائرات غير مرئية سابقاً دون إعادة تدريب، بينما تدهور أداء YOLO بشكل كبير في السيناريوهات الخارجة عن التوزيع (مثل تعدد الطائرات أو زوايا محددة).
• القيود: ينخفض الأداء عند زوايا الارتفاع المنخفضة جداً (0°–10°) حيث تكون المراوح في وضع جانبي بالنسبة للمستشعر، مما يؤدي لفشل خطوة دمج الصناديق.

5. الأهمية

تثبت هذه العمل أن التحليل القائم على المجال والمستوى الإشاري يمكن أن يتفوق على التعلم العميق في أنظمة محددة تتسم بالسرعة العالية وقلة البيانات.

• الكفاءة: تلغي الحاجة إلى مجموعات بيانات ضخمة وتدريب كثيف يعتمد على وحدات معالجة الرسومات، مما يجعلها مناسبة للأجهزة الطرفية محدودة الموارد.
• القابلية للتفسير: حالات الفشل فيها مفسرة فيزيائياً (مثل التركيز البصري، أو وضعية المروحة) بدلاً من كونها أخطاء عشوائية ناتجة عن البيانات.
• العملية: يقدم المنهج حلاً جاهزاً للاستخدام للكشف عن الطائرات بدون طيار في الوقت الفعلي في البيئات الصعبة، مما يمهد الطريق لأنظمة إدراك قائمة على الفيزياء وقابلة للتوسع.