تعتبر تقنية الكشف عن الأجسام واحدة من القدرات الأساسية التي تدعم التصور الذكي في الأنظمة الحساسة مثل الطائرات المسيرة، خاصة في مجالات مثل الاستجابة للكوارث والمراقبة الأمنية. تعتمد فعالية نماذج الكشف على توافر مجموعة كبيرة من البيانات المحدثة بصورة مستمرة. ومع ذلك، يتطلب تدريب كواشف عالية الأداء عادةً تجميع صور جوية، مما يثير تحديات تتعلق بالخصوصية والتنظيم والتخزين والنطاق الترددي. وتصبح هذه المشكلة أكثر تعقيداً في عمليات الطائرات المسيرة الموزعة حيث يتم إنشاء البيانات المرئية على متن الطائرة، مما يجعل من غير العملي أو المرغوب فيه نقلها إلى بنية تحتية مركزية.

في هذه الدراسة، تم تطبيق تقنية التعلم الموزع (Federated Learning) الخاصة بالكشف عن الأجسام، مما يمكّن الطائرات المسيرة من تحسين نموذج مشترك مع الحفاظ على بيانات الصور محلياً وخاصة. تم تنفيذ خط أنابيب الكشف عن الأجسام الموزعة باستخدام منصة Sherpa.ai لتقنية التعلم الموزع على مجموعة بيانات KIIT-MiTA، ومقارنة الأداء مع نماذج الطائرات المسيرة الفردية والمركزية من خلال قياس الدقة العامة (mAP) عند عتبات محددة.

أظهرت نتائج التجارب أن المنهج المقترح من التعلم الموزع يحقق أداءً قريبًا من تدريب النماذج المركزية، مع تحسين أسعار تدريبي عالي للنماذج الفردية، حيث حقق النموذج الخفيف الأفضل (YOLO26 nano) إنجازات نسبية بلغت 52.89% و67.80% في الدقة العامة عند العتبات 0.50 و0.50:0.95 على التوالي. هذه النتائج تظهر أن التعلم الموزع يمكّن أداءً عاليًا وكفاءة مستدامة في الكشف عن الأجسام عبر أساطيل الطائرات المسيرة دون الحاجة لتجميع البيانات في مركز واحد.