Abeje Y. Mersha
Dit project heeft als doel een autonome beveiligingsdrone te ontwikkelen die beveiligingsmedewerkers ondersteunt bij het bewaken van bedrijfsterreinen. De drone moet anomalieën detecteren, zoals inbraak, openstaande deuren/ramen of brand, en hierop reageren. Het project richt zich op het vergroten van de efficiëntie van beveiliging, het verminderen van de werkdruk voor beveiligers, het verlagen van kosten en het beperken van de milieubelasting. De drone werkt samen met bestaande systemen, zoals de IFFS-brandbestrijdingsdrone, en biedt een innovatieve oplossing voor de uitdagingen in de huidige, arbeidsintensieve beveiligingssector.
De huidige beveiliging van bedrijfsterreinen is arbeidsintensief en kostbaar. Traditioneel patrouilleren beveiligers te voet of met voertuigen, wat tijdrovend is en veel personeel vereist. Door een tekort aan beveiligingspersoneel en hoge kosten is deze aanpak niet langer houdbaar. Bovendien dragen patrouillevoertuigen bij aan CO₂-uitstoot, wat niet past bij de groeiende vraag naar duurzame oplossingen. Daarnaast bieden traditionele methoden slechts beperkte dekking (bijv. 30 minuten per dag), terwijl drones 24/7 toezicht kunnen bieden. Drones kunnen ook moeilijk bereikbare plekken bewaken en real-time beelden leveren, wat de veiligheid verhoogt.
Recente vooruitgang in deep learning en computervisie maakt het mogelijk dat drones autonoom anomalieën detecteren, zoals indringers, openstaande deuren/ramen en brand. Modellen zoals YOLOv8-Tiny en EfficientDet bieden hoge nauwkeurigheid en lage reactietijden, geschikt voor real-time toepassingen. Commerciële drones (bijv. van DJI) hebben echter beperkte mogelijkheden: ze volgen slechts handmatig geselecteerde doelen en presteren slecht in complexe omgevingen of ’s nachts.
Uitdagingen voor dit project:
Eerdere projecten, zoals de IFFS-haalbaarheidsstudie, hebben al een brandbestrijdingsdrone ontwikkeld. Dit project bouwt hierop voort en integreert de bestaande technologie in de Aerial Security Buddy.
Het project levert een functionerend prototype van een autonome beveiligingsdrone op, met:
De drone zal autonoom patrouilleren, anomalieën detecteren en direct alarmeren, waardoor de beveiliging van grote industriële terreinen wordt verbeterd.
Het project verloopt in vier werkpakketten:
Het project gebruikt Rapid Learning Cycles voor snelle iteraties en kennisopbouw. Studenten van verschillende opleidingen (bijv. werktuigbouwkunde, ICT, mechatronica) dragen bij via stages en afstudeerprojecten. De resultaten worden gedeeld op evenementen zoals Amsterdam Drone Week en in wetenschappelijke publicaties.
Abeje Y. Mersha
Maaike Hillerström
