![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于LSTM-YOLOv5的“黑飞”无人机异常行为辨识方法研究.pdf
《基于LSTM-YOLOv5的“黑飞”无人机异常行为辨识方法研究.pdf》由会员分享,可在线阅读,更多相关《基于LSTM-YOLOv5的“黑飞”无人机异常行为辨识方法研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、总第352期1引言近年来,我国经济由高速增长阶段转向高质量发展阶段,无人机在农林保值、电力巡检、地理测绘、安防监控、应急消防等场景已经有广泛应用,据IDC数据统计,自从2020年新冠疫情1的大规模影响,工业级无人机在民用无人机在市场份额逐年上升,从 2020 年的 40%增长至 2021 年的 48%左右。在“互联网+”的热潮中,我国是全球消费级无人机市场份额最大的国家,作为人工智能无人化新时代的重要工具之一,无人机的应用给各领域带来了许多便捷之处,但与此同时,“黑飞”无人机对国家重点防空区域造成的安全隐患也引起了广泛关注2。近期国务院审议通过的 无人驾驶航空器飞行管理暂行条例(草案)中对无人
2、机飞行以及有关活动进行了规范,有力维护航空安全、公共安全、国家安全,强调禁止在电厂、变电站等场所及周边50m范围的上方飞行。国内重点区域已陆续部署了无收稿日期:2023年4月14日,修回日期:2023年5月4日作者简介:袁江,男,工程师,研究方向:水电站安全保卫。兰增武,男,助理工程师,研究方向:水电站安全保卫。熊鹏,男,工程师,研究方向:水电站安全保卫。基于 LSTM-YOLOv5 的“黑飞”无人机异常行为辨识方法研究袁江兰增武熊鹏(中国长江电力股份有限公司宜昌443000)摘要针对“黑飞”无人机飞行轨迹低、体积小、运动速度慢,其产生的信号回波数据量有限,且时域信号分辨率极低,传统雷达探测设
3、备难以捕获“黑飞”无人机的特征反馈信息,论文提出了一种基于LSTM-YOLOv5的“黑飞”无人机异常行为辨识方法,利用YOLOv5算法实现无人机目标的跟踪识别,结合长短期记忆网络(Long short-term memory,LSTM)处理时间序列的优势,分析在该时间切片内的飞行趋势变化,以预测辨识“黑飞”无人机的异常行为。结果表明,论文提出的方法在无人机异常行为识别和分类方面具有较高准确性和鲁棒性,可有效应对“黑飞”无人机造成的威胁。关键词“黑飞”无人机;LSTM-YOLOv5;异常行为辨识;跟踪识别中图分类号V279;TP391.4DOI:10.3969/j.issn.1672-9730.
4、2023.10.026Research on Abnormal Behavior Recognition Method ofBlack Fly Drones Based on LSTM-YOLOv5YUANG JiangLAN ZengwuXIONG Peng(China Yangtze Power Company Limited,Yichang 443000)AbstractIn view of the problem that the black fly drone has a low flying trajectory,small size,slow speed,and produces
5、extremely low signal echo data volume and time domain signal resolution,and the feature feedback information is difficult to be captured by traditional radar detection equipment,this paper proposes a method for identifying abnormal behaviors of black flydrones based on LSTM-YOLOv5.The YOLOv5 algorit
6、hm is used to track and identify the drone targets,and the advantages ofLSTM in processing time series are combined to analyze the flight trend changes in the time slice to predict and identify the abnormal behavior of black fly drones.The results show that the proposed method has high accuracy and
7、robustness in the identificationand classification of abnormal behaviors of drones,and can effectively deal with the threats caused by black fly drones.Key Wordsblack fly drone,LSTM-YOLOv5,abnormal behavior identification,tracking and recognitionClass NumberV279,TP391.4舰 船 电 子 工 程Ship Electronic Eng
8、ineering总第 352 期2023 年第 10 期Vol.43 No.10120舰 船 电 子 工 程2023 年第 10 期人机探测反制系统3,通过雷达、光电与频谱设备联动对“黑飞”无人机进行探测4,但现有的探测方法并未充分利用光电设备获取的视频流中目标时序信息,对视频中低慢小“黑飞”无人机的检测精度较低,无法准确分析目标飞行意图,针对性制定拦截或防御手段。因此,设计低慢小目标的识别与跟踪算法,实时辨识多类无人机异常行为,对提升重点区域的“黑飞”无人机防控能力具有重要意义。在重点场所的无人机防控领域,如水电站、机场、政府机构、军事禁区等,无人机的非法入侵和干扰问题日益凸显。因此,如何有
9、效地解决环境杂波干扰,提高目标识别精度成为众多国内外学者关注的研究方向5,研究人员将目标特征获取方式的关注点转移到了被动成像光电信号上,相较于传统的主动雷达回波信号,这种方式具有更加丰富的特征信息量和空间映射程度。在无人机可见光图像数据维度深的情况下,这种方法在目标类别和运动状态的判断上表现出更为优秀的性能。薛珊等6学者提出了一种基于卷积神经网络的无人机目标识别方法,该方法注重解决无人机目标识别中的小样本问题,通过在有限的数据集上进行训练,有效提高了识别精度,具有较强的自适应学习能力和较高的识别准确率,在无人机目标识别领域具有一定的研究价值;魏文怡7等学者采用了基于 FasterR-CNN 的
10、目标识别框架,将VGG16作为特征提取网络,结合显著性算法(BMS)对拍摄的不理想目标图像进行处理,成功构建了一种适用于小尺度固定翼飞机的目标识别神经网络;学者虞晓霞8等针对无人机目标识别任务进行网络优化改进,通过调整Le Net-5 模型结构,提出轻量级的卷积神经网络CNN,可有效降低计算复杂度,提高识别性能;程怀俊等9研究人员利用膨胀卷积代替常规卷积,以此提升卷积神经网络在特征提取时的感受野,减少模型冗余计算量,该方法为实现更高效的目标检测和识别提供了一种新思路。通过查阅相关文献,国内外学者10充分利用雷达、频谱、光电等反制设备的无人机探测技术优势,结合不同无人机防控区域的特点,提供了有效
11、防控策略,其核心主要采用多模态联合成像11手段对无人机进行识别跟踪,过于依赖良好的背景环境,缺乏对目标轨迹的预测和分析能力,难以做到对“黑飞”无人机飞行意图的提前预判和拦截。总结分析现有的国内外无人机防控研究成果,其中在无人机目标识别与跟踪方法具有一定的创新性,但在对于低慢小特征的“黑飞”无人机异常行为辨识能力以及网络特征提取的准确率相对较弱,无法挖掘深层次的飞行行为信息12,因此本文选取不同类型低慢小无人机为研究对象,考虑在能够满足目标检测精度和效率的基础上,实现对其异常行为的辨识预测,为“黑飞”无人机防控提供有效的技术支撑。2LSTM-YOLOv5辨识网络设计基于 LSTM-YOLOv5
12、的“黑飞”无人机异常行为辨识重点围绕以下四个步骤开展研究,入侵无人机的目标特征提取、目标类型识别、像空间定位识别、无人机行为轨迹预测,以 LSTM-YOLOv5为核心的辨识网络结构如图1所示。系统通过光电设备捕获入侵“黑飞”无人机图像、视频等信息,作为特征提取网络的数据输入,从旋翼类型、尺寸大小、外形设计等多尺度特征生成特征图组,并依次在YOLOv5的类型识别网络、像位空间位置识别网络中训练模型参数,输出无人机品牌类型等身份信息与像空间坐标位置等动态信息。以“黑飞”目标无人机在一段时间切片内像空间二维坐标下位置点组成的连续运动轨迹为训练数据集,构建飞行动作标签词典13,并记录目标无人机飞行状态
13、信息以及动作数据,将原始数据集处理成数据矩阵的形式输入LSTM网络中,利用LSTM算法在处理时间序列轨迹预测上的优势,针对垂直运动、俯仰运动、滚转运动、侧向运动等不同姿态,以及加速减速等不同速率特征,设计目标无人机运动状态判别方法,比对分析目标无人机的预测轨迹,从而可实现该无人机常见行动意图的预判,包括盘旋、突进、尾随以及悬停等。2.1LSTM-YOLOv5融合算法考虑到 YOLOv5算法在处理图片数据的特征识别过程中,能够达到较好的检测效果14,但在处理具有时间连续性的视频流数据中,该算法并未能够挖掘分析数据中的时序信息15。而 LSTM在其网络结构隐含层中设计反馈结构,从而使得其当前时刻的
14、训练结果既考虑了本时刻的输入数据特征,又与前一时刻内的输出结果相关联,适用于处理具备时序特征的飞行轨迹预测,将LSTM网络结构嵌到YOLOv5目标检测识别算法中,设计LSTM-YOLOv5融合网络结构,将视频帧中的时序特征、运动特征以及外形特征综合考虑,实现对“黑飞”无人机的型号分类与异常行为的辨识。将多尺度的目标无人机特征数据输入 YOLOv5目标识别网络中,该算法对目标图像的特征121总第352期区域进行网格化处理,网格数量与输入图像尺寸相对应,通过比对网格中标定框域的信息,计算目标框与实际目标重合覆盖的区域面积IOU,从而实现对目标的判定识别。置信度P0为识别目标无人机检测率与IOU之积
15、,如下式所示。IOU=DRGTDRGTconfidence=P()object IOUtruthpred其中,P()object作为判定该区域中是否有目标无人机,若相符合则取值为1,否则取值为0;DR定义为目标框检测区域,GT定义为实际目标覆盖区域,二者交重合结果集合交并结果为IOU取值,IOU交并示意图如下所示。图1LSTM-YOLOv5辨识网络结构图真实范围检测结果IOU图2IOU交并结果示意图定义标定框中划分的单网格信息量为N,且其中bx,by,bw,bh表示辨识框中的中心坐标位置信息与尺寸大小信息,p0为目标无人机的辨识准确度以及位置方位信息情况,p1,p2,pc表示未比对其他类型的概
16、率值,B表示标定框的数量。当某特征网格中出现目标中心坐标,则YOLOv5算法开展该区域的检测比对。N=bx,by,bw,bh,p0,p1,p2,pcBYOLOv5算法在对不同时刻、不同运动状态下的特征图像比对辨识过程中,反复训练迭代调整模型参数,修正标定框尺寸大小,最终使辨识框识别结果与实际目标框重合,完成目标特征辨识,修正过程如下式所示。bx=()tx+cxby=()ty+cybw=pwetwbh=phet其中,定义cx、cy为特征区域中网格坐标值,tx、ty、tw、th表示辨识框与实际目标框之间的差值,pw、ph为标定框的尺寸大小,通过计算得到bw、bh分别辨识框的尺寸,以及bx、by网格
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LSTM YOLOv5 无人机 异常 行为 辨识 方法 研究
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。