چکیده: با گسترش استفاده از سامانه‌های نظارتی تصویری در محیط‌های شهری و عمومی، تشخیص خودکار تهدیدات امنیتی به‌ویژه شناسایی سلاح سرد و گرم، به یکی از چالش‌های مهم حوزه بینایی ماشین تبدیل شده است. تصاویر و ویدئوهای نظارتی معمولاً با محدودیت‌هایی نظیر کیفیت پایین، نور نامناسب، نویز و فشرده‌سازی همراه هستند که عملکرد سامانه‌های تشخیص را تحت تأثیر قرار می‌دهد. از این رو، ارزیابی رفتار مدل‌های تشخیص در شرایط واقعی اهمیت ویژه‌ای دارد. در این پژوهش، یک سامانه تشخیص خودکار سلاح مبتنی بر یادگیری ژرف ارائه و عملکرد آن در سناریوهای مختلف داده‌های ورودی مورد بررسی قرار گرفته است. تمرکز اصلی پژوهش بر تحلیل اثر کیفیت داده‌های ورودی و پیش‌پردازش تصویر، بدون اعمال تغییر در ساختار استاندارد مدل تشخیص، بوده است. بدین منظور، چندین سناریوی شامل حالت پایه بدون پیش‌پردازش، داده‌های فشرده‌شده و پیش‌پردازش مبتنی بر تبدیل موجک تعریف و به‌صورت منصفانه ارزیابی شده‌اند. نتایج تجربی نشان می‌دهند که حالت پایه در مجموع بهترین توازن میان دقت تشخیص، بازخوانی و دقت مکانی را ارائه می‌دهد و بسیاری از پیش‌پردازش‌ها، برخلاف انتظار، منجر به بهبود عملکرد سامانه نشده‌اند. همچنین تحلیل نتایج تصویری و ویدئویی بیانگر آن است که سامانه پیشنهادی از پایداری قابل‌قبولی در شرایط واقعی نظارتی برخوردار است، هرچند چالش‌هایی نظیر تشخیص اشیای کوچک و نیمه‌پنهان همچنان وجود دارند. یافته‌های این پژوهش نشان می‌دهند که ارزیابی تجربی و واقع‌گرایانه، نقش کلیدی در طراحی و به‌کارگیری سامانه‌های تشخیص سلاح دارد.