一种基于人工智能的无人机识别方法及系统与流程

本发明主要涉及到无人机技术领域，特指一种基于人工智能的无人机识别方法及系统。

背景技术：

近年来，民用无人机得到快速发展，其中小型消费级民用无人机呈现井喷式发展，目前无人机已经应用到很多领域，比如农业、个人航拍和警用侦查等。然而随着无人机快速增长，随之带来的安全威胁也受到越来越多的民众甚至国家政府的重视。为应对无人机黑飞滥用对个人隐私、治安管理及国家安全等造成的巨大威胁，相关的反无人机理论和技术研究也越来越受到国内外政府、学术界及工业界的高度重视。

目前比较流行的无人机通信信号识别方法是先由本领域从业者提出的挑选信号关键特征，如功率谱密度最大值、信号包络峭度、瞬时相位标准差、相位脉冲个数、循环谱、高阶矩等时/频域信号特征，然后利用传统的信号处理算法计算特征参数。再通过采集到环境中的信号与相应的特征进行匹配来达到无人机的检测识别。

现有无人机通信信号识别方法存在一些不足：

1、一种无人机信号模型需要选取其中的几项甚至十几项特征作为模型输入，计算复杂度非常高，很难实际部署使用。

2、对于增加检测的无人机机型很困难，需要增加新的特征参数，且特征参数提取依靠人为的经验值，不具备普适性。

技术实现要素：

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、易实现、通用性好的基于人工智能的无人机识别方法及系统。

为解决上述技术问题，本发明采用以下技术方案：

一种基于人工智能的无人机识别方法，其特征在于，包括：

步骤s1:接收周围环境中的无线电信号；

步骤s2:将采集到的无线电信号进行傅里叶变换运算生成频谱图，再将多帧频谱图进行叠加生成相应的时频图；

步骤s3:将生成的时频图片经过人工智能方法判断时频图片中是否有无人机通信信号。

作为本发明方法的进一步改进：在步骤s3中，如果判定有无人机信号，则通过测向方法对无人机方位进行测算。

作为本发明方法的进一步改进：在步骤s3中，如果判定有无人机信号，则通过测距方法对无人机距离进行测算。

作为本发明方法的进一步改进：所述的测向法为：首先需要根据天线阵列的方向图建立相应的模型，在0—360°方向上用接收天线阵列中各个天线之间的接收强度值表示，通过查找表的方式得到无人机方向；即使用时根据输出的多个通道的无人机信号的信号强度值，建立以每个角度下每个天线信号强度值为行的矩阵，然后对应信号强度值依次与查找表矩阵的行做差值运算再求其方差，方差最小的行及代表最匹配的方向，从而实现无人机测向。

作为本发明方法的进一步改进：所述的测距法为：根据接收到的无人机信号的信号强度，利用无线电大气衰减公式计算处无人机离系统的距离。

作为本发明方法的进一步改进：所述步骤s2中，首先将数字无线电信号通过傅里叶变化生成单次频谱图；然后通过多次傅里叶变换的频谱图叠加而生成时频图片。

作为本发明方法的进一步改进：所述步骤s3中，先通过大量无人机信号对算法网络进行训练，训练好的算法网络将生成相应的权重值文件，在使用时加载相应的权重值文件再对输入到算法里面的时频图片进行运算就能识别输入图片中是否含有无人机信号。

作为本发明方法的进一步改进：当需要增加新的机型时，采集新的无人机信号的时频图对算法网络进行训练，生成新的权重值文件即可。

本发明进一步提供一种基于人工智能的无人机识别系统，其包括：

接收天线阵列，用来接收周围环境中的无线电信号；

数据采集单元，用来采集无线电信号；

时频图生成单元，用来将采集到的无线电信号进行傅里叶变换运算生成频谱图，再将多帧频谱图进行叠加生成相应的时频图；

处理单元，用来将生成的时频图经过人工智能算法判断时频图片中是否有无人机通信信号，如果有无人机信号，再通过测向测距方法对无人机方位及其距离进行测算。

作为本发明系统的进一步改进：所述天线阵列采用多个全频段天线组成，覆盖0—6ghz无线电信号接收范围，覆盖水平360°接收方向。

与现有技术相比，本发明的优点在于：

1、本发明的基于人工智能的无人机识别方法和系统，原理简单、易实现、通用性好，其采用人工智能的方法对无人机通信信号的检测。人工智能方法只需要利用无人机信号进行训练就能提取到相应的特征权重值，再根据这些特征权重值就能实现无人机信号的检测。不再需要专家挑选信号的特征。对于增加新的无人机机型种类，人工智能方法只需要提供新类型无人机信号进行训练即可实现机型的增加，增加机型简单方便。

2、本发明的基于人工智能的无人机识别方法和系统，是一个完整的无人机识别和探测的系统能够识别无人机型号及其无人机所在方位和距离。

附图说明

图1是本发明方法的流程示意图。

图2是本发明在具体应用实例中接收天线阵列的示意图。

图3是本发明在具体应用实例中时频图片生成的流程示意图。

图4是本发明在具体应用实例中时频图片生成的示意图。

图5是本发明在具体应用实例中识别无人机信号的流程示意图。

图6是本发明在具体应用实例中人工智能识别无人机信号结果示意图。

图7是本发明在具体应用实例中人工智能网络训练流程示意图。

图8是本发明在具体应用实例中人工智能网络模型的结构图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

如图1-图8所示，本发明的基于人工智能的无人机识别方法，包括：

步骤s1:接收周围环境中的无线电信号；

步骤s2:将采集到的无线电信号进行傅里叶变换运算生成频谱图，再将多帧频谱图进行叠加生成相应的时频图；

步骤s3:将生成的时频图片经过人工智能方法判断时频图片中是否有无人机通信信号。

作为较佳的实施例，本发明进一步包括：在步骤s3中，如果判定有无人机信号，则再通过测向测距方法对无人机方位及其距离进行测算。

在具体应用实例中，本发明所采用的测向测距法，其中，在测向时，首先需要根据天线阵列的方向图建立相应的模型，在0—360°方向上用接收天线阵列中各个天线之间的接收强度值表示，查找表示意如表1。使用时根据人工智能算法输出的8个通道的无人机信号的信号强度值，依次与查找表矩阵的行做差值运算再求其方差，方差最小的行及代表最匹配的方向，从而实现无人机测向。而无人机测距则是根据接收到的无人机信号的信号强度，利用无线电大气衰减公式计算处无人机离系统的距离。

表1测向查找表

参见图3，在具体应用实例中，在步骤s2中，首先将数字无线电信号通过傅里叶变化生成单次频谱图；然后通过多次傅里叶变换的频谱图叠加而生成时频图片。

参见图5，在具体应用实例中，无人机信号识别结果示意图参加图6，算法会输出无人机信号类别信号带宽和信号中心频点和置信度，图6中输出的结果是无人机类型：jl4(精灵4)，信号带宽10m,信号中心频点2476m，此次检测结果置信度0.82。在步骤s3中，需要前期在处理单元中对通过大量无人机信号对算法网络进行训练，训练好的算法网络将生成相应的权重值文件，在使用时只需加载相应的权重值文件再对输入到算法里面的时频图片进行运算就能识别输入图片中是否含有无人机信号。进一步，如果需要增加新的机型只需要采集新的无人机信号的时频图对算法网络进行训练，生成新的权重值文件即可。

参见图7所示，人工智能网络训练流程。训练过程包括如下：

数据预处理：即将采集到的无人机无线电信号生成的时谱图，进行数据标定标定处图片中无人机信号的位置并对无人机种类进行分类做成数据集。

网络结构与模型配置：本实例中采用的是yolo-v3网络模型。模型的结构参加图8。

训练和调参：即将数据集输入到网络模型中，通过不断的迭代运算，观察损失函数是否达到所期望的值，没有达到预期微调参数继续训练直到达到预期，最后输出权重值文件用于图5中的权重值文件输入。

结合图1所示，本发明进一步提供一种基于人工智能的无人机识别系统，包括：

接收天线阵列，用来接收周围环境中的无线电信号；

数据采集单元，用来采集无线电信号；

时频图生成单元，用来将采集到的无线电信号进行傅里叶变换运算生成频谱图，再将多帧频谱图进行叠加生成相应的时频图；

处理单元，用来将生成的时频图经过人工智能算法判断时频图片中是否有无人机通信信号，如果有无人机信号，再通过测向测距方法对无人机方位及其距离进行测算。

参见图2，为本发明在具体应用实例中所采用的天线阵列示意图。天线阵列采用多个(如本实例的8个)全频段天线组成，覆盖0—6ghz无线电信号接收范围，覆盖水平360°接收方向。

在具体应用实例中，数据采集单元采用ad芯片，通过ad芯片实现模拟信号到数字信号的转换。

参见图3，在具体应用实例中，为本发明在具体应用实例中时频图片生成的流程示意图。首先将数字无线电信号通过傅里叶变化生成单次频谱图；然后通过多次傅里叶变换的频谱图叠加而生成时频图片。参见图4，即为在具体应用实例中时频图片生成的示意图。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。