Visión artificial en la identificación de drones

Abstract

El uso masivo de sistemas aéreos no tripulados y su papel decisivo en conflictos contemporáneos ha evidenciado la necesidad de desarrollar sistemas de vigilancia más robustos. En este contexto, el presente Trabajo Fin de Grado propone una solución de visión artificial orientada a la clasificación entre drones y aves. Para ello, se ha diseñado una red neuronal convolucional desde cero, que se ha mejorado progresivamente mediante un proceso de prueba y error hasta obtener una arquitectura final optimizada. Se ha llevado a cabo un estudio comparativo de tres modelos distintos: un modelo inicial, un segundo al que se le ha incorporado una capa de extracción de bordes con el objetivo de mejorar el aprendizaje y, por último, un modelo basado en transfer-learning con fine-tuning. Para la evaluación, se han utilizado tanto métricas de rendimiento como herramientas de interpretación, como los mapas de calor Grad-CAM y las gráficas de entrenamiento, lo que ha permitido analizar el comportamiento de los modelos y su capacidad de generalización. Los resultados obtenidos muestran que los modelos desarrollados alcanzan un buen rendimiento en la tarea de clasificación, reforzando la viabilidad del uso de técnicas de deep learning para la clasificación de drones, y sirviendo como base para futuras mejoras y ampliaciones del sistema.