坚持学术
贴近工程
依靠专家
服务读者
基于深度学习的无人机识别方法现状与挑战
文章亮点：无人机在军事/民用/商业领域的广泛应用促使对其识别和分类的需求。随着人工智能的不断发展，深度学习作为一种机器学习技术，在目标检测领域展现出良好的性能，也可应用于无人机识别领域。本文首先介绍了无人机识别的背景和意义，回顾了深度学习的发展历程，并分别介绍了目标检测中两种重要的算法结构：两阶段目标检测算法和单阶段目标检测算法；然后，对目标检测常用算法以及算法中的骨干网络等进行了阐述，归纳了近年来无人机识别改进算法的改进策略，总结了改进效果及其缺点和局限性；最后，针对目前无人机识别的研究现状，提出展望和挑战，有望在建立无人机数据集，提高无人机检测的准确性、实时性等方面取得更大突破，推动无人机技术在各个领域的应用。
研究背景：在无人机技术迅速发展的背景下，无人机作为一种具有众多优点的飞行器，广泛应用于侦察、监视、搜索救援、航拍摄影等诸多领域。相较于传统飞行器，无人机可以在无人操控的情况下自主飞行，其飞行动作也更加灵活机动，且成本更低，资源利用效率高，能适应不同的环境和任务需求。
然而，无人机的应用也带来了一系列问题和潜在危害。近年来，关于无人机的社会危害事件频发，包括威胁国防安全、扰乱社会秩序、破坏交通秩序、危害航空安全以及侵害个人权益等。例如，无人机干扰了加利福尼亚州的森林大火扑灭行动，延误了灭火工作；在英国伦敦希思罗机场，一架无人机的飞行引发了航空安全警报，导致航班延误和取消；在中国也有类似的无人机危害事件，例如成都双流机场曾出现过几起无人飞行器危害事件，航空飞行安全受到了严重威胁。
为了加强对无人机的管控，无人机识别成为当今社会面临的重要挑战之一，需要加大研究和探索的力度。准确识别无人机是实施有效管控的基础和前提，并且可以有效预防非法活动和安全威胁。
从无人机的应用场景和特点来看，无人机识别的难点有：
1）无人机的尺寸小：无人机存在不同的型号，大部分正在使用的无人机尺寸较小，在图像中的可见性和识别度都会受到限制。
2）复杂的背景：一般有无人机出现的场景，都是在低空，其背景中有天空、建筑物、树木等与无人机外观相似或容易导致误判、误识别的物体，会对目标识别产生一定的干扰。如果无人机处于复杂的环境中，他们会与背景混合融入其中，更加难以识别。
目前，现代无人机主要采用雷达检测、射频检测、光电检测和声波检测等方法。
深度学习作为现代非常实用有效的学习方法，也在无人机目标识别中展现出了巨大的潜力和应用前景。深度学习模型具有较强的特征提取和表示能力，可以从大量的无人机图像数据中学习到复杂的视觉特征。利用深度卷积神经网络等模型，可以自主学习图片中的纹理、形状、色彩等特征，从而有效地区分不同类别的无人机目标。相较于传统方法，深度学习模型能够更快速地实现目标检测、分类和定位等任务，提高了识别效率和准确性。
因此，深度学习在无人机目标识别中的应用前景广阔。通过深度学习模型的引入和改进，可以提高识别无人机的准确性和实时性，为无人机在军事、安防、航空等领域的应用带来更大的潜力和机会。
本文讨论目标检测的体系结构及其发展历程，在回顾数据集及评价指标后，对近年来无人机识别领域中的算法改进作出分析和整理；总结针对无人机目标识别的解决方案，并综合当前研究现状，提出未来的挑战与发展方向。
本文观点：综合当前的研究现状，除了通过替换骨干网络，使用图像融合技术等方法提升无人机的检测效果和检测速度外，对于无人机尺寸小的难题，学者们特别提出了以下解决方案：
1）多尺度特征融合，引入金字塔结构可以通过在网络中构建不同分辨率的特征图来处理不同尺度的目标。
2）调整非极大值抑制（NMS）参数，使其更适应小目标检测。
对于在复杂背景下识别无人机的难题，学者们特别提出了以下解决方案：
1）引入注意力机制，帮助模型更有效地关注目标区域，并抑制来自复杂背景的干扰。
2）修改损失函数，引入调制因子，将背景部分视为简单样本，减小背景损失在置信损失中的占比，从而提高在复杂背景下的精度。
综合当前的研究现状，目前利用深度学习识别无人机还面临着以下挑战：
1）从数据集出发：目前还没有统一的无人机数据集，且研究人员自行创建的训练数据集数据较少，且多为拍摄条件较好的白天，所训练出的模型不能够很好地反应在如黑夜、恶劣天气等复杂环境下识别无人机的精度。在实际应用中，需要更多的数据集来增加不同环境下识别不同种类无人机的准确性。
2）从算法的模型和体积出发：为了使目标识别技术更易于应用，算法的模型也需要进行优化。在改进的算法中，尽管识别的精确度得到了提升，但是由于网络的深度增加，算法的体积增大，在计算上消耗了很多资源，提升了少量精度而大幅增加复杂度，在结果上可能会造成弊大于利。处理大规模的数据集需要庞大的存储和计算资源，同时也要面临着复杂性和计算复杂度变高的挑战。希望在未来能够看到更加轻量和高效的模型，为目标识别的应用提供更多的机会。
3）从识别速度出发：精准度一直是算法模型发展的重要目标，研究人员一直期望能够构建更加准确的识别模型，能够对各种不同的数据进行精细化分析。然而在许多现实场景里，识别的速度同样很重要，例如在智能安防系统里及时发现未知无人机入侵，就需要一定的识别速度。但是研究人员在优化算法提升识别精度的过程中，检测速度往往得到了一定的损失。未来，根据特定的场景需求，在满足精确度的条件下，尽可能提升识别的速度是一项重要的挑战。
随着技术的不断进步和深度学习算法的改进，相信无人机检测方法会取得更大的突破，并在准确性、快速性和鲁棒性等方面得到更广泛的应用。
作者介绍：朱新宇，男，硕士，教授。教育部交通运输教指委航空运输与工程教学指导分委员会委员，民航职业教育教学指导委员会委员，四川省电气与自动化类专业教学指导委员会委员，维修人员执照专业委员会委员，四川省电子学会理事，获得省部级教学成果奖五项，发表学术论文60余篇。主编的《飞机电源智能诊断系统》《民航飞机电气系统》《民航飞机电气仪表及通信系统》等著作6部。主要研究领域为飞机及电源系统的综合与故障诊断技术、电力电子与传动技术、飞行器适航与可靠性、无人机的运行与控制。
张小强，电子科技大学博士，北京航空航天大学博士后，硕士生导师，中国机械工程学会可靠性工程分会第六届委员会委员。主要从事结构可靠性分析、可靠性优化设计、选择性维修等方面的研究工作。主持中国工程物理研究院创新基金培育项目1项，四川省科技厅应用基础研究项目1项，中国民用航空飞行学院科研基金面上项目2项，四川省通用航空器维修工程技术研究中心开放课题1项，参与国家自然科学基金面上项目、863计划子课题、国家重大科技专项、中国人民解放军总装备部预研基金等项目10余项。发表科研论文40余篇，其中以第一作者/通信作者发表SCI论文27篇，申请/授权发明专利6项。在Reliability Engineering and System Safety，Mechanical Systems and Signal Processing，ASME Journal of Mechanical Design，Quality and Reliability Engineering International，International Journal of Damage Mechanics等国际权威期刊上发表论文20余篇，担任Reliability Engineering and System Safety，Energy，Quality and Reliability Engineering International，Advances in Mechanical Engineering等SCI期刊的审稿人。
李其骎，中国民用航空飞行学院硕士研究生，曾获学业奖学金一项，国家级学科竞赛奖项两项，省级学科竞赛奖项两项，参与红外目标检测相关项目两项，研究方向为红外目标检测技术。
扫码阅读全文
收录情况
中国科技核心期刊
中国科学引文数据库（CSCD）来源期刊
世界期刊影响力指数（WJCI）报告收录期刊
瑞典开放存取期刊目录（DOAJ）收录期刊
日本科学技术振兴机构数据库（JST）来源期刊
联系我们
官网地址：http://hkgcjz.ijournals.cn
电子邮箱：hangkong2010@nwpu.edu.cn
联系电话：（029）88492422
办公地点：西北工业大学友谊校区航空楼
通信地址：陕西省西安市西北工业大学143号信箱，邮编710072
往期回顾
【最新录用】编委刘虎团队|基于虚拟仿真的航空应急救援协同训练技术研究
【最新录用】编委邓子辰团队|计及轴向力作用的柔性梁热-形耦合振动研究
2024年第1期目录
【综述推荐】中国民用航空飞行学院刘峰教授团队：变体飞行器智能材料驱动器和柔性蒙皮研究进展
点击右下，期待你的在看
