1. Технология извлечения признаков
Извлечение признаков — ключевой метод в технологии идентификации дронов, противодействующих дронам. Он основан на анализе уникальных характеристик дронов для их точной идентификации при различных методах обнаружения. При радиолокационном обнаружении микродоплеровские характеристики радара предоставляют критически важную информацию для идентификации дронов. Китайская система «Тяньцюн» анализирует микродоплеровские характеристики в эхосигналах от винтокрылых дронов, что позволяет ей различать дроны с фиксированным крылом и многороторные.
Когда радиолокационные волны попадают на беспилотный летательный аппарат с винтокрылой конструкцией, высокоскоростное вращение роторов вызывает уникальные микродоплеровские сдвиги частоты в радиолокационном эхосигнале. Эти сдвиги тесно связаны с такими факторами, как количество роторов, скорость вращения роторов и положение самолета в полете. Беспилотные летательные аппараты с фиксированным крылом, в силу своих принципов полета и конструктивных особенностей, создают существенно отличающиеся микродоплеровские характеристики в радиолокационных эхосигналах по сравнению с беспилотными летательными аппаратами с винтокрылой конструкцией.
Извлекая и анализируя эти едва заметные, но отличительные особенности, система «Тяньцюн» может точно идентифицировать беспилотники в сложных радиолокационных сигналах, предоставляя важные данные для принятия мер противодействия.
В оптоэлектронном обнаружении создание полной и точной базы данных оптоэлектронных характеристик является ключом к эффективной идентификации. Французская компания Thales создаёт базу данных, содержащую оптические характеристики 2000 типов дронов. На практике скорость распознавания составляет менее 0,5 секунды. Thales собирает огромное количество данных изображений с различных моделей и марок дронов в видимом и инфракрасном диапазонах, извлекая такие характеристики, как форма дрона, соотношение размеров, текстура поверхности, цветовые характеристики и распределение теплового излучения. На изображениях в видимом свете для распознавания важны такие характеристики, как форма корпуса, конструкция крыла и шасси.
На инфракрасных изображениях тепловые характеристики двигателей, аккумуляторов и других компонентов дронов создают характерные тепловые характеристики. Быстро сравнивая изображения дронов в реальном времени с данными из базы данных характеристик, система Thales может точно идентифицировать модели дронов за очень короткое время, значительно повышая скорость реагирования и точность распознавания в технологии противодействия дронам.
2. Технология машинного обучения
Технологии машинного обучения продемонстрировали колоссальные преимущества в области идентификации дронов. В частности, такие методы, как сверточные нейронные сети (CNN) и трансферное обучение, значительно повысили точность и эффективность распознавания. Система AutoCue от Northrop Grumman использует усовершенствованную модель ResNet-50 , достигая точности распознавания небольших дронов 98,7%. CNN — это модели глубокого обучения, предназначенные для обработки изображений и автоматического извлечения репрезентативных признаков из изображений путем построения нескольких слоёв свертки, пулинга и полносвязных слоёв.
В технологии противодействия идентификации дронов система AutoCue использует большие наборы данных маркированных изображений дронов для обучения модели ResNet-50. В процессе обучения модель постоянно корректирует свои параметры, изучая характерные особенности различных моделей дронов на изображениях, такие как контуры формы, детали текстуры и распределение цвета. При поступлении в систему новых изображений с дронов модель ResNet-50 быстро и точно извлекает ключевые особенности из изображений, сравнивая их с изученными шаблонами, что обеспечивает высокоточную идентификацию небольших дронов.
Передача обучения предлагает решение проблемы недостатка данных для обучения при распознавании дронов. Китайская корпорация аэрокосмической науки и промышленности (CASIC) успешно применила методы передачи обучения, перенеся модели, обученные распознаванию наземных целей, в область распознавания дронов, что снизило требования к тренировочным данным на 80%. Основной принцип передачи обучения заключается в использовании знаний и признаков, уже изученных в одной области (исходной области), для помощи в обучении связанной области (целевой области). Поскольку дроны имеют некоторые схожие черты с наземными целями, такие как контуры формы и особенности текстуры, знания, полученные при распознавании наземных целей, могут быть применены к задачам распознавания дронов. Благодаря тонкой настройке перенесенной модели с небольшим объемом данных изображений дрона, модель быстро адаптируется к потребностям распознавания дронов, значительно сокращая объем сбора данных и аннотаций при сохранении высокой производительности распознавания. Это значительно повышает эффективность и осуществимость применения технологии идентификации противодействия дронам .
