الحالة

مكتمل

السنة

2026

النوع

Implementation-Based Technical Paper

الملخص

تقدّم هذه الورقة من نوع implementation-based technical paper نظامًا لاكتشاف الطائرات المسيّرة في سياق counter-UAV cybersecurity باستخدام إطار YOLOv8 لاكتشاف الأجسام. تنطلق الدراسة من المخاطر الأمنية الناتجة عن الانتشار السريع للطائرات المسيّرة، إذ يمكن استخدام الطائرات غير المصرّح بها في المراقبة غير القانونية، أو التهريب، أو اعتراض البيانات، أو الهجمات السيبرانية الفيزيائية بالقرب من المطارات، والمناطق العسكرية، والبنى التحتية الحساسة، والمنشآت الحكومية. في هذا السياق، يُنظر إلى detection بوصفه الطبقة الأولى في دفاعات counter-UAV، لأن أي نظام أمني لا يستطيع تصنيف التهديد الجوي أو تتبعه أو الاستجابة له أو تعطيله قبل اكتشاف وجوده أولًا. تركز الورقة على نهج vision-based detection، لأنه يمكن أن يعمل مع مدخلات الكاميرا ويوفر دليلًا بصريًا قابلًا للفهم من خلال bounding boxes وclass labels. يعتمد النظام المنفذ على مجموعة بيانات مخصصة تضم نحو 1,360 صورة UAV مشروحة، وتشمل فئتين للكشف: multirotor drones وfixed-wing drones. جُمعت الصور ونُظمت بحيث تشمل تنوعًا في حجم الطائرة، والخلفية، وزاوية الرؤية، والإضاءة، ثم تم وسمها بصيغة YOLO باستخدام normalized bounding box coordinates. يستخدم النموذج YOLOv8n، وهو الإصدار الخفيف nano من YOLOv8، وقد اختير بسبب سرعته وملاءمته العملية للكشف الحقيقي أو شبه الحقيقي. تم التدريب باستخدام Ultralytics YOLOv8 framework لمدة 51 epoch، مع input resolution بحجم 640×640، وbatch size يساوي 32، ودعم mixed precision، واختيار تلقائي لجهاز التشغيل، واعتماد أفضل checkpoint وفق أداء التحقق. لا يقتصر النظام على التدريب فقط، بل يدعم أيضًا النشر عبر static image detection، ومعالجة recorded video، والكشف من live camera stream، إضافة إلى واجهة Streamlit web interface تسمح للمستخدم برفع الصور والحصول على annotated detection outputs تتضمن class labels وper-class counts. استخدمت التجربة مقاييس precision، وrecall، وmAP@0.5، وmAP@0.5:0.95 لتقييم جودة الكشف. أظهرت النتائج أن النموذج حقق precision بنسبة 89.4%، مما يعني أن معظم detections التي توقعها النموذج كانت صحيحة، وهذا مهم في البيئات الأمنية التي يجب فيها تقليل false alarms. في المقابل، أظهرت قيمة recall البالغة 17.3% أن عددًا كبيرًا من حالات UAV لم يتم اكتشافها، خصوصًا الطائرات الصغيرة أو البعيدة، وهي مشكلة ما زالت من أصعب تحديات visual UAV detection. حقق النموذج كذلك mAP@0.5 بنسبة 30.0% وmAP@0.5:0.95 بنسبة 23.5%، كما انخفضت قيم training loss بشكل منتظم، مما يشير إلى سلوك تعلم مستقر. تخلص الورقة إلى أن deep learning باستخدام YOLOv8 يمكن أن يوفر أساسًا عمليًا لاكتشاف الطائرات المسيّرة في counter-UAV cybersecurity، لكن تحسين detection sensitivity يتطلب توسيع البيانات، وزيادة تنوع المشاهد، واستخدام augmentation أقوى، وتجربة نماذج أكبر، وتطبيق تقنيات small-object detection، ودعم preprocessing، وتقييم النظام على فيديوهات واقعية.