بررسی کاربرد دوربین‌های مداربسته حرارتی(Thermal) و تشخیص نفوذ در نظارت پیرامونی تحت شرایط جوی نامساعد

بررسی کاربرد دوربین‌های مداربسته حرارتی(Thermal) و تشخیص نفوذ در نظارت پیرامونی تحت شرایط جوی نامساعد

علی ایرانی منش1 مصطفی عبداللهیان دهکردی2

1) دانشجوی کارشناسی پیوسته نرم افزار، داشنگاه ملی
2) گروه مهندسی برق و کامپیوتر، دانشگاه ملی مهارت، تهران،

کد IOI مقاله : AAHD-ABHFZG
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    سیستم‌های تشخیص نفوذ پیرامونی (PID) نقش حیاتی و غیرقابل‌انکاری در تامین امنیت زیرساخت‌های حساسی چون راه‌آهن‌های پرسرعت، فرودگاه‌های غیرنظامی و پست‌های انتقال برق ایفا می‌کنند. با این حال، سیستم‌های نظارتی مبتنی بر حسگرهای بصری (Optical) سنتی در شرایط جوی نامساعد نظیر مه غلیظ، باران شدید، برف و محیط‌های کم‌نور با افت شدید عملکرد روبرو شده و این امر منجر به افزایش نرخ هشدار کاذب و کاهش قابلیت اطمینان سیستم می‌شود. در این راستا، فناوری تصویربرداری حرارتی به دلیل بهره‌گیری از طول موج بلندتر و استقلال کامل از شرایط نوری محیط، به عنوان یک راهکار بسیار مقاوم و کارآمد برای کشف و ردیابی اهداف در تاریکی مطلق و شرایط حاد اتمسفری شناخته می‌شود. این مقاله به بررسی جامع کاربرد دوربین‌های مداربسته حرارتی و ادغام آن‌ها با الگوریتم‌های نوین مبتنی بر یادگیری عمیق نظیر معماری‌های پیشرفته YOLO جهت شناسایی و طبقه‌بندی دقیق اهداف متحرک و تشخیص ژست‌های پیچیده انسانی (مانند خزیدن، صعود و خمیده راه رفتن) می‌پردازد. از آنجا که حسگرهای منفرد در پوشش کامل محیط‌های عملیاتی و آب‌وهوای متغیر دچار محدودیت هستند، این پژوهش بر اهمیت شبکه‌های همجوشی چندحسگری (Multi-Sensor Fusion) تاکید ویژه‌ای دارد. در این ساختار، تلفیق داده‌های دوربین‌های حرارتی با حسگرهای نوری و رادارهای موج میلی‌متری (mmWave) به منظور جبران نقاط ضعف هر سنسور و جلوگیری از انسداد دید هدف تحلیل می‌گردد. همچنین، رویکردهای پیشرفته‌ای چون شبکه‌های دو جریانه مانند چارچوب DN-LSK-EMA-Net و الگوریتم‌های مبتنی بر مکانیسم توجه (Attention-GRU) جهت ارزیابی پویای قابلیت اطمینان حسگرها و وزن‌دهی تطبیقی در شرایط متغیر محیطی مورد ارزیابی قرار می‌گیرند. بررسی‌ها روی مجموعه‌داده‌های مرجع حرارتی نظیر PDIWS و TU-VDN اثبات می‌کند که بهره‌گیری از ویژگی‌های مکانی-زمانی (Spatio-Temporal) و همجوشی داده‌ها، علاوه بر افزایش چشمگیر دقت تشخیص، شاخص میانگین زمان بین هشدارهای کاذب (MTBFA) را بهینه‌سازی می‌کند. نتایج این تحقیق یک نقشه راه فنی منسجم برای استقرار سیستم‌های امنیتی یکپارچه، هوشمند و با پایداری بالا در سناریوهای پیچیده ارائه می‌دهد.

کلمات کلیدی : تشخیص نفوذ پیرامونی (perimeter intrusion detection) تصویربرداری حرارتی (thermal imaging) شرایط جوی نامساعد (adverse weather conditions) همجوشی چندحسگری (multi sensor fusion) یادگیری عمیق (deep learning) رادار موج میلی‌متری (mmwave radar)