1. Technologie zur Merkmalsextraktion
Die Merkmalsextraktion ist eine Schlüsselmethode in der Drohnenabwehr. Sie analysiert die einzigartigen Merkmale von Drohnen, um sie mit verschiedenen Erkennungsmethoden präzise zu identifizieren. Bei der Radarerkennung liefern Radar-Mikrodoppler-Merkmale wichtige Informationen zur Identifizierung von Drohnen. Das chinesische „Tianqiong“-System analysiert die Mikrodoppler-Merkmale in Radarechos von Drehflüglern und kann so zwischen Starrflüglern und Multirotor-Drohnen unterscheiden.
Treffen Radarwellen auf eine Drehflüglerdrohne, verursacht die schnelle Rotation der Rotoren einzigartige Mikro-Doppler-Frequenzverschiebungen im Radarecho. Diese Verschiebungen hängen eng mit Faktoren wie der Anzahl der Rotoren, der Rotordrehzahl und der Fluglage zusammen. Starrflüglerdrohnen erzeugen aufgrund ihres Flugprinzips und ihrer strukturellen Eigenschaften deutlich andere Mikro-Doppler-Merkmale in Radarechos als Drehflüglerdrohnen.
Durch das Extrahieren und Analysieren dieser subtilen, aber charakteristischen Merkmale kann das „Tianqiong“-System Drohnen in komplexen Radarsignalen genau identifizieren und wichtige Daten für Gegenmaßnahmen liefern.
Bei der optoelektronischen Erkennung ist der Aufbau einer umfassenden und präzisen Datenbank mit optoelektronischen Merkmalen der Schlüssel zu einer effizienten Identifizierung. Das französische Unternehmen Thales erstellt eine Datenbank mit optischen Merkmalen von 2.000 Drohnentypen. In der Praxis beträgt die Erkennungsgeschwindigkeit weniger als 0,5 Sekunden. Thales sammelt riesige Mengen an Bilddaten verschiedener Drohnenmodelle und -marken im sichtbaren und infraroten Bereich und extrahiert Merkmale wie Drohnenform, Größenverhältnis, Oberflächenstruktur, Farbmerkmale und Wärmestrahlungsverteilung. Bei Bildern im sichtbaren Licht sind Merkmale wie Rumpfform, Flügelstruktur und Fahrwerk für die Erkennung wichtig.
In Infrarotbildern liefern die Wärmemuster von Drohnenmotoren, Batterien und anderen Komponenten charakteristische thermische Merkmale. Durch den schnellen Vergleich von Echtzeit-Drohnenbildern mit Daten aus der Merkmalsdatenbank kann das System von Thales Drohnenmodelle in kürzester Zeit präzise identifizieren. Dies verbessert die Reaktionsgeschwindigkeit und Erkennungsgenauigkeit der Drohnenabwehr-Identifikationstechnologie deutlich.
2. Technologie für maschinelles Lernen
Maschinelles Lernen hat sich in der Drohnenabwehr als enorm vorteilhaft erwiesen. Insbesondere Techniken wie Convolutional Neural Networks (CNN) und Transfer Learning haben die Erkennungsgenauigkeit und -effizienz deutlich verbessert. Das AutoCue-System von Northrop Grumman nutzt das fortschrittliche ResNet-50-Modell und erreicht eine Erkennungsgenauigkeit von 98,7 % für kleine Drohnen. CNNs sind Deep-Learning-Modelle zur Verarbeitung von Bilddaten. Sie extrahieren automatisch repräsentative Merkmale aus Bildern, indem sie mehrere Schichten aus Convolution, Pooling und vollständig verbundenen Schichten aufbauen.
In der Drohnenabwehr-Identifizierungstechnologie nutzt das AutoCue-System große Datensätze beschrifteter Drohnenbilder, um das ResNet-50-Modell zu trainieren. Während des Trainings passt das Modell seine Parameter kontinuierlich an und lernt die charakteristischen Muster verschiedener Drohnenmodelle in Bildern, wie Formkonturen, Texturdetails und Farbverteilung. Wenn neue Drohnenbilder in das System eingegeben werden, extrahiert das ResNet-50-Modell schnell und präzise Schlüsselmerkmale aus den Bildern und vergleicht sie mit den erlernten Merkmalsmustern, um eine hochpräzise Identifizierung kleiner Drohnen zu erreichen.
Transferlernen bietet eine Lösung für das Problem unzureichender Trainingsdaten bei der Drohnenerkennung. Die chinesische Aerospace Science and Industry Corporation (CASIC) hat erfolgreich Transferlerntechniken angewendet und Modelle, die in Bodenzielerkennung trainiert wurden, auf den Bereich der Drohnenerkennung übertragen, wodurch der Trainingsdatenbedarf um 80 % reduziert wurde. Das Grundprinzip des Transferlernens besteht darin, bereits in einem Bereich (Quellbereich) erlerntes Wissen und Merkmale zu nutzen, um das Erlernen eines verwandten Bereichs (Zielbereich) zu unterstützen. Da Drohnen einige Merkmale mit Bodenzielen gemeinsam haben, wie z. B. Formkonturen und Texturmerkmale, kann das bei der Bodenzielerkennung erworbene Wissen auf Drohnenerkennungsaufgaben angewendet werden. Durch Feinabstimmung des übertragenen Modells mit einer kleinen Menge an Drohnenbilddaten passt sich das Modell schnell an die Anforderungen der Drohnenerkennung an, wodurch der Umfang der Datenerfassung und -annotation erheblich reduziert wird und gleichzeitig eine hohe Erkennungsleistung beibehalten wird. Dies verbessert die Effizienz und Durchführbarkeit der Anwendung von Technologie zur Drohnenabwehr erheblich.
