An Intelligent YOLO26-Based Early Warning Framework for Drone Detection in Critical Infrastructure Surveillance

Resumen Técnico: Un Marco de Alerta Temprana Inteligente Basado en YOLO26 para la Detección de Drones en la Vigilancia de Infraestructuras Críticas

Planteamiento del Problema
La proliferación de Vehículos Aéreos No Tripulados (UAV) presenta riesgos de seguridad significativos para las infraestructuras críticas, incluyendo aeropuertos, instalaciones de petróleo y gas, y zonas restringidas. Los métodos tradicionales de contra-UAS que dependen de radar, monitoreo de radiofrecuencia (RF), sensores acústicos o la observación manual de CCTV sufren limitaciones tales como el alto costo, la susceptibilidad ambiental (por ejemplo, ruido, clima) y la falta de escalabilidad. Si bien la visión computacional ofrece una alternativa práctica al aprovechar las cámaras de vigilancia existentes, la detección de drones sigue siendo técnicamente desafiante. Los drones suelen aparecer como objetos pequeños y de movimiento rápido con desenfoque de movimiento, bajo contraste frente a fondos complejos (nubes, paisajes urbanos) y similitudes visuales con aves, aviones o helicópteros. Los enfoques de aprendizaje profundo existentes a menudo fallan en equilibrar la alta recuperación (detectar todas las amenazas) con bajas tasas de falsos positivos en tiempo real, y muchos carecen de una lógica operativa específica para la "alerta temprana" antes de que un dron ingrese a una zona sensible.

Metodología
Este estudio propone un marco experimental utilizando la arquitectura de aprendizaje profundo YOLO26 para la detección de drones y alerta temprana en tiempo real. La metodología involucra los siguientes componentes clave:

• Construcción del Conjunto de Datos: Se ensambló un conjunto de datos personalizado a partir de repositorios públicos y videos de vigilancia sintéticos/reales, que comprende aproximadamente 3,200 imágenes anotadas y 10,000 instancias. El conjunto de datos incluye cinco clases: dron, ave, avión, helicóptero y objeto volador de fondo. Las imágenes cubren diversas condiciones: distintas distancias, altitudes, iluminación (simulación de día/noche), clima (nublado) y desenfoque de movimiento.
• Aumento de Datos: Para mejorar la generalización, el conjunto de entrenamiento se expandió a ~10,000 imágenes utilizando técnicas de aumento en línea, incluyendo la inyección de ruido Gaussiano (simulando CCTV de baja calidad) y la conversión a escala de grises (simulando cámaras monocromáticas/de visión nocturna).
• Arquitectura del Modelo: El estudio utiliza YOLO26, un modelo de detección de objetos unificado en tiempo real que cuenta con una arquitectura de doble cabeza para la inferencia de extremo a extremo sin Supresión de No Máximos (NMS). Las características técnicas clave aprovechadas incluyen:
  • Asignación de Etiquetas Consciente de Objetos Pequeños (STAL): Para mejorar el aprendizaje de objetos pequeños y distantes.
    // Nota: El texto original dice "Small Target Aware Label Assignment", traducido como Asignación de Etiquetas Consciente de Objetos Pequeños.
  • Pérdida Progresiva: Para desplazar la supervisión hacia la cabeza de detección.
  • Inferencia libre de NMS: Para reducir la latencia de post-procesamiento.
• Configuración de Entrenamiento: El modelo fue entrenado durante 50 épocas mediante aprendizaje por transferencia de pesos pre-entrenados de COCO en una GPU NVIDIA T4. El entrenamiento empleó una tasa de aprendizaje de 0.01 con retroceso de coseno (cosine annealing) y parada temprana (paciencia de 10).
• Lógica de Alerta Temprana: Más allá de la simple detección, el marco implementa un sistema de alerta basado en reglas. Las alertas se escalan basándose en la confianza de detección, la persistencia de fotogramas (detección repetida a través de los cuadros) y el movimiento del objeto hacia zonas restringidas.
• Evaluación: El rendimiento se comparó con modelos base (incluyendo CNN estándar, YOLOv8 y YOLO11) utilizando métricas como Precisión Media Promedio (mAP), Precisión, Recall, F1-Score y fotogramas por segundo (FPS), así como tasas de falsas alarmas.

Resultados Clave
El modelo YOLO26 demostró un rendimiento robusto en el conjunto de prueba reservado:

• Precisión General: Logró un mAP agregado de 98.4% y un F1-Score de 98.3%.
• Rendimiento por Clase:
  • Clase Dron: 99.3% de Precisión, 100% de Recall, 99.5% de mAP.
  • Clase Helicóptero: 99.9% de Precisión, 100% de Recall, 99.5% de mAP.
  • Clase Ave: 95.9% de Precisión, 93.7% de Recall, 95.9% de mAP (mostrando la dificultad esperada para distinguir aves de drones).
• Convergencia: La curva de entrenamiento exhibió un patrón característico de "caída y ascenso" durante las primeras pocas épocas (atribuido a la adaptación de dominio de los pesos generales de COCO al conjunto de datos especializado de drones) antes de estabilizarse rápidamente. Para la época 50, el modelo alcanzó un mAP máximo de 98.91%.
• Validación en Tiempo Real: El sistema procesó exitosamente flujos de video, generando cuadros delimitadores y escalando los estados de alerta (de "Observación" a "Alerta Crítica") basados en la confianza y la persistencia, demostrando la viabilidad para el monitoreo continuo.

Contribuciones Clave

1. Marco Novedoso: Desarrollo de un sistema integrado que combina la detección YOLO26 con una lógica de alerta temprana operativa, abordando la brecha entre la mera detección y las advertencias de seguridad accionables.
2. Conjunto de Datos Especializado: Creación de un conjunto de datos de vigilancia de drones multiclasificación específicamente anotado para distinguir drones de otros objetos aéreos visualmente similares (aves, aviones) bajo condiciones desafiantes.
3. Optimización de Objetos Pequeños: Demostración de la eficacia de YOLO26 en la detección de objetivos pequeños y distantes en entornos complejos, aprovechando los mecanismos de STAL y Pérdida Progresiva.
4. Evaluación Exhaustiva: Evaluación del sistema no solo en métricas de detección estándar (mAP, F1), sino también en métricas operativas relevantes para la seguridad, como la reducción de falsas alarmas y la lógica de escalada de alertas.

Significancia y Reivindicaciones
El artículo sostiene que el marco propuesto ofrece una solución escalable y rentable para la vigilancia de infraestructuras críticas al utilizar la infraestructura de CCTV existente en lugar de requerir despliegues de sensores nuevos y costosos. Los autores afirman que las características arquitectónicas específicas de YOLO26 (inferencia libre de NMS, STAL) lo hacen particularmente adecuado para los desafíos duales de la detección de objetos pequeños y el procesamiento en tiempo real de baja latencia.

El estudio concluye que, si bien el sistema logra una alta precisión, es más adecuado para entornos donde se requiere confirmación visual. Los autores reconocen modestamente las limitaciones, señalando que la similitud visual entre drones y aves sigue siendo una fuente de falsos positivos, y que el clima extremo o los puntos ciegos aún pueden requerir la fusión de sensores (por ejemplo, con radar o RF) para aplicaciones de alta seguridad. La principal contribución es la validación de YOLO26 como un backone viable y de alto rendimiento para sistemas proactivos de alerta temprana de drones impulsados por IA.