L’usage croissant des drones dans les zones urbaines, y compris à des fins récréatives, soulève des préoccupations liées à la sécurité, à la vie privée ou à la surveillance de zones sensibles. Pour y répondre, des chercheurs de l’université Helmut Schmidt à Hambourg ont conçu un système de détection automatisée qui reconnaît les drones en vol à partir d’images captées par caméras.
Un dispositif de détection en temps réel
Le dispositif s’appuie sur un modèle d’intelligence artificielle conçu pour repérer des objets dans des images : il s’agit de Yolo, pour "You Only Look Once", une famille de modèles spécialisés dans la détection rapide d’objets visuels. Cette IA passe en revue chaque image d’une vidéo et encadre les objets qu’elle identifie comme des drones, tout en estimant la probabilité qu’il s’agisse effectivement de la bonne cible.
Le système repose sur une chaîne de traitement connectée : une caméra filme un drone en vol, les images sont transmises à un ordinateur via le réseau, et le modèle Yolo v7 – dernière version de cette architecture – les analyse en continu. Chaque fois qu’un drone est détecté, sa position est indiquée à l’écran.
Les chercheurs ont utilisé trois types de caméras : deux capturent des images infrarouges, qui fonctionnent bien dans l’obscurité, et une produit des vidéos en couleur. Les vidéos ont été tournées sur un campus et dans un port urbain. En tout, plus de 100 000 images ont été extraites et annotées manuellement, en signalant précisément la position des drones visibles. Ce travail a permis de constituer une base d’entraînement pour l’intelligence artificielle.
Des performances ajustées selon les besoins
Plusieurs variantes du modèle Yolo v7 ont été testées, certaines enrichies par des modules dits "d’attention". Ces modules permettent à l’IA de mieux concentrer son analyse sur les zones pertinentes de l’image, en donnant plus de poids aux régions susceptibles de contenir un drone. Ils améliorent légèrement la précision, sans ralentir significativement le traitement des images.
Les tests montrent que le système est capable d’identifier un drone en moins de 25 millisecondes par image, avec un bon niveau de fiabilité. Sur les images infrarouges, la précision dépasse 97 % lorsque les drones sont bien visibles. Sur les images en couleur, les résultats sont comparables. Toutefois, des erreurs subsistent : il arrive que l’IA manque un drone ou confonde un autre objet de forme similaire, comme un oiseau ou une structure métallique.
Suivre les drones même en cas d’erreur
Pour éviter les interruptions dans la détection, les chercheurs ont ajouté une méthode complémentaire. Lorsque le modèle IA cesse brièvement de repérer un drone — par exemple si celui-ci traverse une zone d’ombre ou sort momentanément du champ — un mécanisme de suivi prend le relais. Il compare la nouvelle image à la précédente et tente de retrouver le drone à partir de sa position antérieure.
Ce système de suivi repose sur des règles simples : tant que la probabilité reste au-dessus d’un seuil minimal, le drone est suivi, même si le modèle principal est incertain. Cette méthode permet d’éviter les ruptures dans le suivi vidéo et améliore de 2 à 10 % le nombre total de détections selon les séquences analysées.
Un test grandeur nature sur réseau 5G
Les chercheurs ont validé leur système dans un scénario réaliste. Une vidéo de drone a été diffusée sur un écran, puis filmée par une caméra reliée à un ordinateur distant via un réseau mobile. Malgré les délais de transmission, le système a détecté les drones en temps réel, à un rythme de 15 images par seconde, avec une latence inférieure à une demi-seconde.
Cette démonstration montre que le dispositif est utilisable dans des contextes pratiques, sans nécessiter de connexion locale puissante ni d’équipement spécialisé. L’ensemble du système tient dans un conteneur logiciel facilement déployable sur un ordinateur portable doté d’un processeur graphique courant.
Ce travail ouvre la voie à des dispositifs de surveillance légers, autonomes et adaptables, capables d’alerter automatiquement en cas de survol de drone non autorisé, que ce soit sur un site sensible, un espace public ou un événement. Les chercheurs envisagent d’intégrer à terme plusieurs capteurs synchronisés — infrarouge et couleur — pour améliorer encore la fiabilité du système.
Pour en savoir plus :
- Purbaditya Bhattacharya et al., Drone Detection and Tracking with YOLO and a Rule-based Method, Arxiv, 2025