Визуальное обнаружение бпла

Когда слышишь про визуальное обнаружение бпла, многие сразу представляют сложные нейросети и идеально работающие алгоритмы. Но на деле всё упирается в банальные облака, блики от стекол и стаи птиц, которые система упорно принимает за дроны. Особенно проблематично отличать микро-БПЛА на расстоянии свыше 500 метров — тут уже нужен комплексный подход.

Почему только камер недостаточно

В 2020 году мы тестировали систему на объекте под Новосибирском — три камеры высокого разрешения с якобы продвинутым детектором движения. Ночью система выдавала до 50 ложных срабатываний за смену: фары машин, световые блики, даже летучие мыши запутывали алгоритм. Пришлось признать — чистого визуального обнаружения недостаточно без радиоканального анализа.

Кстати, о радиоканале — многие забывают, что дроны передают телеметрию. Если параллельно не мониторить частоты 2.4 ГГц и 5.8 ГГц, можно пропустить цель, которую камера не идентифицировала из-за дымки или дождя. Именно поэтому мы в ООО Чэнду Битэ Чжиань Технологии всегда предлагаем гибридные решения.

Ещё один нюанс — вычислительные ресурсы. Реальное время обработки видео с учётом всех погодных условий требует серьёзных мощностей. Не каждый заказчик готов мириться с задержками в 2-3 секунды, когда дрон уже успевает пролетить критическое расстояние.

Интеграция с системами РЭБ

Наш опыт с https://www.cdbtzakj.ru показывает: эффективность возрастает в 4 раза, когда визуальное обнаружение бпла работает в связке с модулем радиоэлектронного подавления. Например, на объекте в Казани мы настроили каскадную систему — камера фиксирует объект, оператор подтверждает, затем автоматически запускается помеха на взлётный канал.

Но здесь есть тонкость — некоторые дроны переходят в автономный режим при потере сигнала. Для таких случаев мы дополнительно используем GNSS-подавление. Кстати, оборудование для синхронизации времени от ООО BISEC Технологии здесь критично — без точной привязки временных меток между камерами и РЭБ возникает хаус.

Особенно сложно работать с дронами-камикадзе. Их траекторию нужно прогнозировать за доли секунды. В таких ситуациях визуальный детектор должен быть настроен на минимальный порог чувствительности, иначе можно не успеть среагировать.

Полевые испытания и неочевидные проблемы

Запомнился случай на испытательном полигоне под Красноярском — система стабильно пропускала дроны, летящие навстречу солнцу. Оказалось, проблема в динамической диафрагме камер, которая затемняла весь кадр. Пришлось дорабатывать аппаратную часть, устанавливать нейтральные фильтры.

Ещё один урок — никогда не используй устаревшие библиотеки для обработки изображений. OpenCV 2.x может давать сбои при анализе текстур роторов БПЛА. Современные дроны имеют сложные геометрические формы, которые старые алгоритмы просто не распознают как единый объект.

Температурные режимы — отдельная головная боль. При -30°C линзы камер покрываются инеем, а ИК-фильтры теряют эффективность. Пришлось разрабатывать систему подогрева оптики, что увеличило энергопотребление всего комплекса на 15%.

Аппаратные ограничения и компромиссы

Многие заказчики требуют обнаружения на дистанции 1+ км, но не готовы платить за тепловизоры. Приходится идти на хитрости — использовать камеры с переменным фокусным расстоянием и приоритезировать сектора наблюдения. Но это всегда компромисс между зоной покрытия и детализацией.

Разрешение — ещё один камень преткновения. 4K камеры дают красивое изображение, но создают колоссальную нагрузку на сеть. Чаще всего оказывается достаточно 1080p с правильной настройкой битрейта и областей интереса. Кстати, именно для оптимизации этих процессов мы используем магистральные устройства синхронизации от ООО Чэнду Битэ Чжиань Технологии.

Память — недооценённый фактор. При непрерывной записи с трёх камер за неделю набирается более 20 ТБ данных. Без продуманной архитектуры хранения и удаления архивов система быстро выходит из строя. Мы обычно рекомендуем шестиуровневую систему кэширования.

Перспективы развития технологии

Сейчас экспериментируем с гиперспектральным анализом — пытаемся выделять уникальные спектральные подписи материалов, из которых сделаны корпуса дронов. Первые результаты обнадёживают, но пока система требует калибровки под каждый тип местности.

Интересное направление — использование LiDAR для построения 3D-траекторий. Особенно полезно в городской застройке, где дроны маневрируют между зданиями. Правда, стоимость таких решений пока ограничивает их применение.

Из практического опыта — будущее за гибридными системами, где визуальное обнаружение является лишь одним из каналов получения данных. И здесь как раз пригождается экспертиза ООО BISEC Технологии в создании комплексных решений для защиты воздушного пространства.

Кстати, недавно тестировали прототип системы, которая анализирует акустические signature винтов — работает surprisingly хорошо в условиях ограниченной видимости. Но пока это лабораторные испытания, до поля ещё далеко.