Ngày nay, máy bay không người lái (drone) được sử dụng rộng rãi cho các mục đích khác nhau vì chúng không quá đắt. Các drone được sử dụng làm các phương tiện mang vật liệu nổ, máy ảnh và vật bất hợp pháp có thể gây ra các mối đe dọa an ninh. Thị giác máy tính có thể được áp dụng để phát hiện các drone hoạt động bất hợp pháp một cách hiệu quả trong nhiều điều kiện khác nhau. Một hệ thống dựa trên máy tính sử dụng các camera hiện đại có thể phát hiện ra các drone nhỏ ở xa. Hệ thống cũng có thể nhận biết được các drone tốc độ thấp và không được điều khiển từ mặt đất. Hơn nữa, hệ thống có thể hiển thị các drone thực sự. Điều này giúp hệ thống thân thiện với người dùng. Bài báo này đề xuất một cách tiếp cận lai kết hợp hai mạng nơ-ron tích chập mới nổi Faster R-CNN và YOLOv2 để phát hiện các drone trong ảnh. Kết quả thử nghiệm cho thấy rằng phương pháp này có thể thêm tới gần 5% và hơn 11% cho độ chính xác và độ tái hiện cho Faster R-CNN và thêm tới 3% và hơn 6% cho hai chỉ số này cho YOLOv2. Việc phát hiện tốt hơn này là kết quả của sự kết hợp của hai mạng. Nếu một mạng không thể phát hiện các drone trong một bức ảnh, mạng khác có thể trợ giúp., Tóm tắt tiếng anh, Today, drones are widely used for different purposes since they are not too expensive. Drones employed as explosive material, camera and illegal thing carriers can cause security threats. Computer vision can be applied to detect illegally acting drones effectively in a variety of conditions. A computer-based system using modern cameras is possible to discover small distant drones. The system can also become aware of low-speed and non-ground controlled drones. Furthermore, the system can display true drones. This makes the system friendly to users. This paper proposes a hybrid approach combining two emerging convolutional neural networks Faster R-CNN and YOLOv2 to detect drones in images. Experimental results show that the approach can add up to almost 5% and more than 11% to precision and recall for Faster R-CNN and add up to 3% and more than 6% to these two metrics for YOLOv2. This better detection is resulted from the combination of the two networks. If a network is failed to detect drones in an image, the other network can help.