《基于机器学习的边境自动监控系统解决方案》2024最新137页

开发和设计边境监控系统以满足特定需求和要求是一个全面的过程，涉及仔细评估、定制以及对环境和操作因素的考虑。这些系统对世界上大多数国家都至关重要，因为它们可以对包括偏远和复杂地形在内的广大地区进行实时监控，而这些地区可能会对监控系统构成挑战。由于电力限制和高昂的成本，覆盖偏远和地形复杂的广大地区面临着巨大的挑战。为解决当前边境监控系统面临的挑战，如电力限制，提出了替代能源和节能技术。此外，还通过精心选择设备和模块化设计来实现成本管理。这使得陆地环境监控系统能够在广阔、偏远和具有挑战性的地形中有效运行。

论文对监控系统领域的贡献主要集中在对利比亚沙漠边境的监控上。它强调了研究的独特方法及其与应对特定地理和环境背景下的挑战的相关性。该系统利用配备红外摄像机（FLIR）的无人驾驶固定平台，并在物联网（IoT）框架内采用边缘计算。在此框架内，实施了两个基于机器学习算法（特别是用于特征提取和监督分类的特征袋）的自动目标识别（ATR）系统。这些系统在低功耗微处理器上运行，以解决物联网边缘节点的能源和计算能力限制问题。第一种拟议方法在处理前将红外图像分割成感兴趣的区域，而第二种自动识别跟踪系统则直接处理整个图像。为了评估这些 ATR 系统的性能，使用了专门与撒哈拉沙漠环境相关的图像数据集，以便对系统的能力进行全面测试和评估。

在评估过程中，这两种方法与四种不同的分类算法结合使用：支持向量机 (SVM)、K-近邻 (KNN)、决策树 (DT) 和 Naive Bayes (NB)，以及三种描述符： SURF、SIFT 和 ORB。实验结果表明，由于红外图像的分辨率较低，建议使用通用类。此外，基于兴趣区域的 SURF-SVM 预测方法实现了最高的检测能力，高达 97%，在物联网边缘设备上的帧速率高达 5.71，在工作站上的帧速率高达 59.17。这种方法侧重于对三个通用类别（动物、车辆和人员）进行分类，与识别特定目标相比，减少了类别之间的混淆。通过采用通用类别，系统提高了检测能力。这些结果证明了将边缘计算用于边境监控的可行性，即使在撒哈拉沙漠这样充满挑战的环境中也是如此。

本论文分为五章。第一章介绍了论文的引言、动机和目标，并强调了人工智能在塑造边境监控系统 (BSS)演进过程中的作用。以下各章概述如下：

第 2 章概述了 BSS 并介绍了 ML 技术。此外，它还介绍了物联网的概念，并概述了 ATR。
第 3 章回顾了当前研究领域的最新方法和应用。其中特别关注 BSS 方法，尤其是移动和固定监控平台以及传感源。此外，还回顾了 ATR 的最新技术和工艺，提出了关键的研究挑战。
第 4 章介绍了论文中提出的解决方案以及对所获结果的评估。它重点介绍了两个 ATR 方案（边界框预测方案和基于帧的预测方案）、生成的数据库和实验方法。
第 5 章介绍了本论文的实验结果和相应讨论。它评估了使用不同分类技术的两种方案。此外，还在一个真实的边缘平台上对这两个方案进行了评估。
第 6 章介绍了本博士论文的总体结论，并概述了未来可开展的工作。其中包括对该领域的贡献及其传播的详细介绍。