earticle

영어

The escalating threat from small drones mandates that Anti-Drone Systems (ADS) prioritize rapid and accurate threat identification over simple detection, a capability fundamentally limited by conventional radar/RF sensors. This paper proposes a Deep Learning (DL)-based real-time object detection framework that integrates Electro-Optical (EO) and Infrared (IR) imagery to overcome this. Analysis of stringent real-time requirements theoretically validates the YOLOv7-Tiny architecture as the optimal model, offering a superior balance between speed and accuracy. The proposed 4-channel early fusion strategy, optimized with CIoU and Focal Loss, significantly enhances small object detection. The study details a rigorous experimental methodology, utilizing mAP_S and FPS as key metrics, thereby providing the theoretical foundation for intelligent ADS development.

한국어

소형 드론 위협 증가로 안티-드론 시스템(ADS)은 단순 탐지를 넘어 신속하고 정확한 위협 식별 능력이 필수적이다. 기존 레이더 및 RF 센서는 위협 판단에 결정적인 식별 정보 제공에 한계가 있다. 본 논문은 이 한계를 극복하기 위해 전자광학 (EO) 및 적외선(IR) 영상을 융합하는 딥러닝 기반 실시간 객체 탐지 프레임워크의 설계 방향을 제시한다. 실시간 처리 요구 사항 분석 결과, YOLOv7-Tiny 아키텍처가 압도적인 속도와 정확도의 균형을 제공하는 최적의 모델임을 이론적으로 입증했 다. 제안된 4채널 조기 융합 전략과 CIoU/Focal Loss 최적화는 미세 객체 탐지 성능을 극대화하며, 본 연구는 미세 객체 탐지 정확도(mAP_S) 및 추론 속도(FPS)를 핵심 평가 지표로 하는 상세한 실험 방법론을 제시하여 ADS 지능화의 이론적 토 대를 마련한다.