Comparative Analysis of Military Detection Using Drone Imagery Across Multiple Visual Spectrums

Technische Samenvatting: Vergelijkende Analyse van Militaire Detectie met Dronebeelden over Meerdere Visuele Spectra

Probleemstelling
Moderne militaire operaties vertrouwen steeds meer op drones voor surveillance, verkenningsopdrachten en gerichte aanvallen. Hoewel de dronetechnologie vooruitgang heeft geboekt, blijft de betrouwbaarheid van objectdetectiesystemen een kritieke uitdaging bij operaties in diverse en vijandige omgevingscondities. Bestaande modellen presteren vaak goed in gecontroleerde omgevingen, maar hebben moeite met nauwkeurigheid in realistische scenario's die gekenmerkt worden door weinig licht, thermische variaties, mist of bewegingsvervorming. Huidig onderzoek mist een uitgebreide evaluatie van detectierobustheid onder verschillende spectrale condities (thermisch, nachtzicht, grijstinten) en verduisterde omgevingen, wat een gat creëert in de ontwikkeling van adaptieve systemen voor dynamische militaire operaties.

Methodologie
Om deze uitdagingen aan te pakken, maakten de auteurs gebruik van het KIIT-MiTA-dataset, een verzameling van 1.700 hoogwaardige, door drones vastgelegde beelden met meer dan 4.100 geannoteerde labels over zeven militaire klassen: Artillerie, Raket, Radar, Meervoudige Raketwerper, Soldaat, Tank en Voertuig.

De kernmethodologie bestond uit het transformeren van dit standaarddataset naar vier verschillende visuele modaliteiten om realistische operationele beperkingen te simuleren:

1. Thermisch Zicht: Beelden werden omgezet naar grijstinten en gemapt naar een pseudo-thermische kleurenspace met behulp van OpenCV's COLORMAP_INFERNO om warmtehandtekeningen te simuleren.
2. Nachtzicht: Beelden werden omgezet naar grijstinten, versterkt voor helderheid en contrast, en overtrokken met een groene tint om monochromatische beeldintensifiers te nabootsen die worden gebruikt bij surveillance bij weinig licht.
3. Grijstinten: Standaard conversie naar een enkele intensiteitskanaal om kleurafleidingen te verwijderen en de focus te leggen op ruimtelijke kenmerken.
4. ObscuraVision: Een gespecialiseerde augmentatie die realistische zichtbaarheidsuitdagingen simuleert (lichte mist, bewegingsonscherpte, contrastirregulariteiten) met behulp van een gewogen combinatie van bewegingsonscherpte, mistcoëfficiënten en aanpassingen van contrast/helderheid.

Het YOLOv11-small model werd geselecteerd vanwege zijn lichtgewicht architectuur en efficiëntie in real-time detectie. Het model werd getraind in een cloudomgeving (NVIDIA T4 GPU) voor 100 iteraties met een batchgrootte van 16 en een invoer van 640×640 pixels. Training omvatte beeldaugmentatie, een leerplanscheduler en optimalisatie van classificatie-, objectheid- en bounding box-regressieverliezen.

Belangrijkste Bijdragen

• Dataset-extensie: Het creëren van vier verschillende datasetversies (Grijstinten, Thermisch, Nachtzicht, ObscuraVision) afgeleid van het KIIT-MiTA-dataset om specifieke omgevingsuitdagingen te simuleren.
• Vergelijkende Evaluatie: Een systematische beoordeling van de prestaties van het YOLOv11-small model over deze vier modaliteiten, met focus op hoe omgevingsfactoren de detectienauwkeurigheid beïnvloeden.
• Prestatiebenchmarking: Het vaststellen van basismetingen (mAP@50, mAP@50-95, Precisie, Recall, F1-score) voor militaire objectdetectie onder gesimuleerde thermische, nachtelijke en verduisterde omstandigheden.

Resultaten
De studie evalueerde de modellen met standaard detectiemetingen, met een primaire focus op Mean Average Precision (mAP). De resultaten duiden op significante variaties in prestaties gebaseerd op de visuele modaliteit:

• Nachtzicht behaalde de hoogste detectienauwkeurigheid, met een mAP@50 van 0,701 en een mAP@50-95 van 0,484. Dit ging echter gepaard met de langste totale verwerkingstijd (10,1 ms).
• ObscuraVision volgde op korte afstand met een mAP@50 van 0,694 en een mAP@50-95 van 0,467, en bood een sterke balans tussen nauwkeurigheid en inferentiesnelheid (9,4 ms).
• Thermisch Zicht registreerde een mAP@50 van 0,680 en een mAP@50-95 van 0,466, en presteerde concurrerend ondanks de uitdagingen van thermische beelden.
• Grijstinten toonde de snelste verwerkingstijd (8,6 ms) maar leverde de laagste detectienauwkeurigheid op, met een mAP@50 van 0,603 en een mAP@50-95 van 0,374.

Hoewel het model in Grijstinten de hoogste F1-score behaalde (0,700) en Thermisch Zicht de hoogste Precisie (0,752), gaf de studie prioriteit aan mAP-metingen voor het rangschikken van modellen. Een analyse van de confusiematrix op het Grijstinten-dataset illustreerde verder het vermogen van het model om onderscheid te maken tussen de zeven militaire klassen.

Betekenis en Beweringen
Het artikel beweert dat dit onderzoek de robuustheid van dronegebaseerde detectiesystemen verbetert door de aanpasbaarheid van het YOLOv11-small model over diverse omgevingscondities te valideren. De bevindingen suggereren dat Nachtzicht de meest geschikte modaliteit is wanneer detectienauwkeurigheid de allerhoogste prioriteit heeft, terwijl ObscuraVision en Thermisch Zicht gunstige afwegingen bieden tussen prestaties en snelheid. Daarentegen wordt Grijstinten geïdentificeerd als geschikt voor latentiegevoelige toepassingen waar lagere nauwkeurigheid acceptabel is.

De auteurs concluderen dat de studie waardevolle inzichten biedt voor het verbeteren van defensieve en offensieve militaire operaties, en zorgt voor continue effectiviteit in dynamische omgevingen. Zij merken op dat toekomstig werk de fusie van meerdere modaliteiten, integratie van temporale data voor bewegingsbewust tracking, en optimalisatie voor randapparatuur kan onderzoeken, maar dat de huidige studie zich strikt richt op de vergelijkende evaluatie van statische beeldmodaliteiten.