一種基于深度學(xué)習(xí)的禁飛區(qū)無人機(jī)目標(biāo)識(shí)別方法

虞曉霞，劉智，耿振野，陳思銳

（長(zhǎng)春理工大學(xué) 電子信息工程學(xué)院，長(zhǎng)春 130022）

近年來，隨著科學(xué)技術(shù)和人工智能技術(shù)的發(fā)展，各類小型無人機(jī)日益增多，其性能不斷提升，應(yīng)用領(lǐng)域不斷擴(kuò)大，在方便人們生活的同時(shí)也引發(fā)了不良影響。無人機(jī)的無序飛行時(shí)有發(fā)生，不僅嚴(yán)重?cái)_亂了空域交通秩序，也引發(fā)了很多安全事故，如干擾民航機(jī)場(chǎng)的客機(jī)正常起飛與降落等［1-3］。為此，空管部門通過設(shè)定禁飛區(qū)域、無線探測(cè)干擾、電磁探測(cè)、聲音探測(cè)、視頻監(jiān)控、軌跡預(yù)測(cè)等幾種主要技術(shù)手段對(duì)無人機(jī)進(jìn)行管控［4-6］。但隨著無人機(jī)技術(shù)的發(fā)展，低空小型無人機(jī)越來越具有體積小、隱身化、飛行噪聲低、防電磁干擾等特點(diǎn)，以上幾種方法在探測(cè)無人機(jī)的過程中不僅體現(xiàn)出成本高的缺點(diǎn)，還具有一定程度的局限性。所以，如何提高禁飛區(qū)域周邊無人機(jī)識(shí)別效率成為空管部門亟待解決的問題。

深度學(xué)習(xí)作為目標(biāo)識(shí)別領(lǐng)域較為有效的手段之一，在物體分類、圖像識(shí)別等問題中都有非常廣泛地應(yīng)用，但目前，深度學(xué)習(xí)在無人機(jī)目標(biāo)識(shí)別方面還沒有成熟的應(yīng)用方案。針對(duì)上述無人機(jī)探測(cè)方法高成本、低效率及應(yīng)用局限等問題，提出了一種基于深度學(xué)習(xí)的禁飛區(qū)無人機(jī)目標(biāo)識(shí)別的方法，利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)多種類型的無人機(jī)進(jìn)行特征提取和特征訓(xùn)練，通過多次訓(xùn)練確定網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)及權(quán)值的最佳值，實(shí)現(xiàn)快速自主識(shí)別是否有無人機(jī)非法靠近禁飛區(qū)域，為無人機(jī)禁飛區(qū)的監(jiān)控預(yù)警系統(tǒng)提供重要信息，從而更高效地保障機(jī)場(chǎng)等重要空域的交通安全。

1 深度學(xué)習(xí)簡(jiǎn)介

深度學(xué)習(xí)是實(shí)現(xiàn)人工智能過程中的一項(xiàng)重要技術(shù)。2006年，加拿大多倫多大學(xué)教授Geoffrey Hinton在《科學(xué)》上提出多層人工神經(jīng)網(wǎng)絡(luò)模型能夠更好的模擬人腦進(jìn)行特征學(xué)習(xí)，進(jìn)而提高數(shù)據(jù)分類能力［7］。Hinton的觀點(diǎn)是機(jī)器學(xué)習(xí)領(lǐng)域中一次大的突破，也開啟了機(jī)器學(xué)習(xí)新的大門—深度學(xué)習(xí)。

深度學(xué)習(xí)源于人工神經(jīng)網(wǎng)絡(luò)的研究，根據(jù)構(gòu)建具有多隱層的機(jī)器學(xué)習(xí)模型，通過大量訓(xùn)練數(shù)據(jù)，學(xué)習(xí)重要目標(biāo)特征，最后實(shí)現(xiàn)高效分類或預(yù)測(cè)。在此過程中，“深度模型”是手段，“特征學(xué)習(xí)”是目的［8］。如圖1所示，不同于淺層神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)通常含有2層以上的隱含節(jié)點(diǎn)，且側(cè)重于特征學(xué)習(xí)，在訓(xùn)練時(shí)通過采用逐層訓(xùn)練機(jī)制，有效克服了多層結(jié)構(gòu)中常見的“梯度擴(kuò)散”現(xiàn)象。

圖1 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)

2 基于深度學(xué)習(xí)的禁飛區(qū)無人機(jī)目標(biāo)識(shí)別方法

禁飛區(qū)無人機(jī)目標(biāo)識(shí)別的主要任務(wù)是從監(jiān)控系統(tǒng)的圖像中自主識(shí)別出無人機(jī)，實(shí)現(xiàn)對(duì)禁飛區(qū)周界無人機(jī)的自主監(jiān)控，進(jìn)一步保障重要空域交通安全，其實(shí)質(zhì)屬于目標(biāo)識(shí)別領(lǐng)域。目前，該領(lǐng)域的典型成果是LeNet-5識(shí)別算法［9］，該算法是一種用于識(shí)別手寫數(shù)字的卷積神經(jīng)網(wǎng)絡(luò)，通過對(duì)0到9十個(gè)數(shù)字的各種形態(tài)圖像進(jìn)行訓(xùn)練，實(shí)現(xiàn)將任意數(shù)字的手寫體進(jìn)行準(zhǔn)確分類的目的，且準(zhǔn)確率為98%以上。該方案是深度學(xué)習(xí)應(yīng)用于目標(biāo)識(shí)別領(lǐng)域的成功案例，為無人機(jī)目標(biāo)識(shí)別的研究提供了重要參考價(jià)值。

由于禁飛區(qū)周界監(jiān)控系統(tǒng)中圖像信息量較豐富，且無人機(jī)的種類和飛行姿態(tài)也越來越具有多樣性，傳統(tǒng)識(shí)別方法識(shí)別難度較大。因此，引入深度學(xué)習(xí)方法提高目標(biāo)識(shí)別效率，其總體框圖如圖2所示。首先將獲取的圖像數(shù)據(jù)進(jìn)行預(yù)處理并劃分為訓(xùn)練集和測(cè)試集，然后將訓(xùn)練集和測(cè)試集共同輸入到深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行處理，訓(xùn)練集用于網(wǎng)絡(luò)的特征學(xué)習(xí)及訓(xùn)練，測(cè)試集用于識(shí)別效率的檢驗(yàn)。

圖2 無人機(jī)識(shí)別總體框圖

2.1 圖像獲取

用于圖2無人機(jī)識(shí)別的數(shù)據(jù)有無人機(jī)和非無人機(jī)兩類圖像，其獲取方式及數(shù)量如表1。

表1 數(shù)據(jù)獲取方法

表1中Caltech101數(shù)據(jù)庫［10］由加利福尼亞州理工學(xué)院Li等人創(chuàng)建，包括平均分辨率為300×200的102類，9146幅圖像。

目前，開源的深度學(xué)習(xí)數(shù)據(jù)集中多為戰(zhàn)機(jī)和客機(jī)類，無人機(jī)類圖像較少，而現(xiàn)在的重要空域（如機(jī)場(chǎng)）周界均設(shè)有全方位監(jiān)控系統(tǒng)，因此，無人機(jī)類圖像通過模擬機(jī)場(chǎng)監(jiān)控網(wǎng)絡(luò)進(jìn)行采集。如圖3所示，整個(gè)監(jiān)控網(wǎng)絡(luò)包括多個(gè)監(jiān)測(cè)區(qū)［11］，每個(gè)監(jiān)測(cè)區(qū)由多個(gè)攝像機(jī)構(gòu)成，通過多臺(tái)攝像機(jī)交叉覆蓋監(jiān)控，對(duì)目標(biāo)區(qū)域進(jìn)行全方位監(jiān)控。在實(shí)際應(yīng)用時(shí)，可根據(jù)禁飛區(qū)域范圍改變攝像機(jī)的數(shù)量、放置地點(diǎn)以及拍攝焦距，調(diào)整監(jiān)控范圍。

圖3 圖像采集網(wǎng)絡(luò)

2.2 輸入數(shù)據(jù)預(yù)處理

輸入數(shù)據(jù)的尺寸規(guī)格與深度學(xué)習(xí)網(wǎng)絡(luò)中卷積核的選取密切相關(guān)，輸入圖像太大，訓(xùn)練參數(shù)就會(huì)大幅增多，輸入圖像太小，又會(huì)引起圖像細(xì)節(jié)特征的丟失。因此，對(duì)于輸入數(shù)據(jù)的預(yù)處理操作主要有以下兩點(diǎn)：

（1）樣本大小

由表1知，由于兩類實(shí)驗(yàn)數(shù)據(jù)來源不同，所以圖像大小也不同。深度學(xué)習(xí)網(wǎng)絡(luò)的輸入數(shù)據(jù)需統(tǒng)一大小，因此在完成數(shù)據(jù)采集的基礎(chǔ)上，統(tǒng)一將輸入數(shù)據(jù)大小轉(zhuǎn)換為256×256像素，以便完成無人機(jī)目標(biāo)識(shí)別的后續(xù)步驟。

（2）樣本數(shù)量

通過深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行無人機(jī)目標(biāo)識(shí)別時(shí)需要大量樣本數(shù)據(jù)，若全部采用圖像采集網(wǎng)絡(luò)獲取無人機(jī)圖像，工作量將會(huì)非常大。因此，通過對(duì)部分無人機(jī)圖像進(jìn)行翻轉(zhuǎn)、調(diào)整對(duì)比度等數(shù)據(jù)增強(qiáng)方式，可以使無人機(jī)類樣本集擴(kuò)大至1100張。

2.3 模型構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中用于識(shí)別二維圖形的一種特殊的圖像識(shí)別方法，屬于效率較高的多層前向反饋網(wǎng)絡(luò)。該網(wǎng)絡(luò)結(jié)構(gòu)對(duì)平移、比例縮放、傾斜等變形具有高度不變性，且通過局部連接、參數(shù)共享、下采樣和多卷積層的計(jì)算減少了網(wǎng)絡(luò)模型的訓(xùn)練參數(shù)，降低了其復(fù)雜度，提高了訓(xùn)練速度［12］。卷積神經(jīng)網(wǎng)絡(luò)中每層均由多個(gè)二維平面組成，每個(gè)平面由多個(gè)獨(dú)立神經(jīng)元組成，通過多個(gè)卷積層和下采樣層構(gòu)建多層網(wǎng)絡(luò)，模擬人腦視覺的逐層處理機(jī)制，對(duì)圖像進(jìn)行不同層次特征的提取。

卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典模型LeNet-5最早應(yīng)用于手寫數(shù)字識(shí)別，輸入為32×32的圖像，輸出分類量為10。對(duì)比于手寫數(shù)字識(shí)別，無人機(jī)類特征較復(fù)雜，輸出分類量較少。如果用LeNet-5直接進(jìn)行無人機(jī)圖像樣本訓(xùn)練，并不能達(dá)到很好的效果。因此，針對(duì)禁飛區(qū)無人機(jī)目標(biāo)識(shí)別的特點(diǎn)，對(duì)經(jīng)典模型LeNet-5的改進(jìn)操作有以下三點(diǎn)：

（1）由于輸入的無人機(jī)樣本特征類型比手寫數(shù)字復(fù)雜，且特征提取與目標(biāo)識(shí)別效果密切相關(guān)，因此，第一次卷積過程中的卷積核大小由5×5改為9×9，且滑動(dòng)步長(zhǎng)由1改為2，由此提高無人機(jī)圖像特征的提取質(zhì)量。

（2）無人機(jī)識(shí)別網(wǎng)絡(luò)輸出的類別數(shù)為2類，因此，輸出層神經(jīng)元的個(gè)數(shù)由10改為2。

（3）將激活函數(shù)Sigmoid改為ReLu函數(shù)，ReLu函數(shù)在深層網(wǎng)絡(luò)中的收斂速度和工作效率均高于Sigmoid函數(shù)。

改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)如圖4，圖中x為輸入圖像，當(dāng)x的尺寸大小為m×n，隨機(jī)采樣大小為x×y，隱層節(jié)點(diǎn)個(gè)數(shù)為t時(shí)，則經(jīng)過學(xué)習(xí)得到的特征數(shù)目

輸入層x是輸入的圖像，本實(shí)驗(yàn)的輸入是256×256的樣本圖片。H1層（卷積層）通過9×9卷積核和大小為2的滑動(dòng)步長(zhǎng)提取6組大小為124×124的特征圖，H2層（下采樣層）按1：2進(jìn)行下采樣得到6組大小為62×62的特征圖，H3層（卷積層）通過5×5卷積核和大小為1的滑動(dòng)步長(zhǎng)提取12組大小為58×58的特征圖，H4（下采樣層）同樣按1：2進(jìn)行下采樣得到12組大小為29×29的特征圖，H5層（全連接）共有10092個(gè)單元，分別與H4的對(duì)應(yīng)單元相連，H6層（全連接）包括兩個(gè)分類單元，輸出層連接上層的分類單元，輸出分類結(jié)果。

2.3.1 卷積層的構(gòu)造

圖4 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)圖

圖4中H1和H3層是通過卷積進(jìn)行特征提取的濾波過程，稱為卷積層。輸入層到卷積層的連接和計(jì)算過程如圖5（a），下采樣層到卷積層的構(gòu)造過程如圖5（b）所示。

圖5 卷積層構(gòu)造示意圖

卷積層H1的輸出特征信號(hào)為：

卷積層H3通過從H2選擇多個(gè)下采樣特征圖和多個(gè)卷積核進(jìn)行計(jì)算。設(shè)每次從H2選擇r個(gè)下采樣特征圖，分別用h2,αi(1≤i≤r)表示，則卷積層H3的輸出特征信號(hào)為：

在式（1）～（2）中，h表示的對(duì)應(yīng)層的單個(gè)卷積特征圖，W表示卷積核，f表示激活函數(shù)。

2.3.2 下采樣層的構(gòu)造

圖4中H2和H4層是對(duì)卷積層輸出的特征信號(hào)進(jìn)行下采樣計(jì)算，因此叫做下采樣層。卷積層到下采樣層的工作過程如圖6所示。

該層以對(duì)應(yīng)的采樣窗口為步長(zhǎng)進(jìn)行掃描采樣，進(jìn)一步減少卷積層的特征維數(shù)，縮減輸入數(shù)據(jù)的規(guī)模，抑制過擬合現(xiàn)象，提升特征對(duì)微小畸變、旋轉(zhuǎn)的容忍度，增強(qiáng)算法的性能。下采樣過程為：

其中，g為激活函數(shù)，權(quán)值β2一般取值為1，dowm(?)為下采樣函數(shù)，偏置γ2一般取值為0矩陣。H4層同理，此處不再贅述。

圖6 下采樣層構(gòu)造示意圖

2.3.3 全連接層的構(gòu)造

全連接層是對(duì)原始信號(hào)的高級(jí)抽象，該層輸出作為最終信號(hào)傳輸?shù)捷敵鰧?，進(jìn)行分類。如圖4所示，H5和H6為全連接層。全連接層后為輸出層，輸出層使用Softmax分類器進(jìn)行數(shù)據(jù)分類，其數(shù)學(xué)表達(dá)如式（4）：

2.3.4 激活函數(shù)的選擇

在圖4中的H1-H5層中均選擇Relu函數(shù)作為激活函數(shù)，其函數(shù)表達(dá)為［13］：

深度學(xué)習(xí)中常見的三種激活函數(shù)圖像如圖7，圖中實(shí)線部分為ReLu函數(shù)，即當(dāng)x＜0,f(x)=0，當(dāng)x≥0,f(x)=x。

圖7 三種激活函數(shù)

與Sigmoid、Tanh函數(shù)相比，ReLu函數(shù)具有單側(cè)抑制、興奮邊界寬和稀疏激活性的特點(diǎn)［13］，更接近生物大腦處理機(jī)制。在深度網(wǎng)絡(luò)中Relu函數(shù)可以有效縮減訓(xùn)練時(shí)間，提高收斂速度。

2.4 基于深度學(xué)習(xí)的禁飛區(qū)無人機(jī)目標(biāo)識(shí)別過程

基于深度學(xué)習(xí)的禁飛區(qū)無人機(jī)目標(biāo)識(shí)別流程如圖8所示。在完成數(shù)據(jù)獲取、預(yù)處理和網(wǎng)絡(luò)構(gòu)建后，通過深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練過程采用反向傳播方式進(jìn)行參數(shù)調(diào)整。訓(xùn)練部分分兩步進(jìn)行：

①正向傳遞：由輸入樣本數(shù)據(jù)得到輸出樣本數(shù)據(jù)；

②反向調(diào)整：計(jì)算輸出數(shù)據(jù)與標(biāo)簽數(shù)據(jù)的誤差，通過BP算法逐層調(diào)整各項(xiàng)權(quán)值參數(shù)，使誤差減小。

圖8 無人機(jī)目標(biāo)識(shí)別流程圖

根據(jù)圖4和圖8，從輸入到輸出的算法計(jì)算過程為：

卷積神經(jīng)網(wǎng)絡(luò)在本質(zhì)上屬于多層前饋網(wǎng)絡(luò)，因此權(quán)值和偏置采用反向傳播算法進(jìn)行學(xué)習(xí)和訓(xùn)練。對(duì)于第l個(gè)輸入樣本，卷積層和下采樣層的計(jì)算過程為：

相應(yīng)的反向傳播誤差信號(hào)（或靈敏度）為：

由以上各式可得各權(quán)值和偏置的更新過程為：

在式（7）～（9）中，表示第k層的第i個(gè)輸入特征圖到第j個(gè)輸出特征圖的權(quán)值矩陣，表示第k層的第j個(gè)輸出特征圖的偏置分別表示第k+1層的乘性偏置和加性偏置。

3 實(shí)驗(yàn)結(jié)果與分析

（1）實(shí)驗(yàn)環(huán)境：Intel（R）Xeon（R）CPU，運(yùn)行內(nèi)存為32GB的Win7 64位工作站，編程環(huán)境為MATLAB R2014b。

（2）實(shí)驗(yàn)數(shù)據(jù)：按照2.1節(jié)中表1所示的獲取方式及數(shù)量獲得實(shí)驗(yàn)數(shù)據(jù)，即2200張256×256像素的圖像數(shù)據(jù)，數(shù)據(jù)集中部分圖像如圖9所示。

（3）程序架構(gòu)：Caffe架構(gòu)。目前已有多種程序架構(gòu)用于深度學(xué)習(xí)的實(shí)現(xiàn)，但Caffe架構(gòu)在識(shí)別分類方向應(yīng)用較為成熟。Caffe［12，13］是一個(gè)集表達(dá)、速度和模塊化于一體的清晰而高效的深度學(xué)習(xí)架構(gòu)，同時(shí)其GPU接口加快了程序運(yùn)行，可以有效縮減算法訓(xùn)練時(shí)間。

（4）實(shí)驗(yàn)過程

根據(jù)圖8所示的無人機(jī)目標(biāo)識(shí)別流程圖進(jìn)行實(shí)驗(yàn)，其程序代碼的主要結(jié)構(gòu)如下：

Cnn_UAV.m：基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行無人機(jī)目標(biāo)識(shí)別的主函數(shù)。

Cnnsetup.m：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的函數(shù)，初始化卷積核、偏置等參數(shù)。

Cnntrain.m：使用訓(xùn)練樣本對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的函數(shù)。

Cnnff.m：完成前向訓(xùn)練過程。

Cnnbp.m：計(jì)算目標(biāo)函數(shù)，完成網(wǎng)絡(luò)誤差（error）的反向傳遞及梯度的計(jì)算。

Cnnapplygrads.m：更新網(wǎng)絡(luò)的權(quán)值及偏置等參數(shù)。

圖9 數(shù)據(jù)集部分圖像

Cnntest.m：使用測(cè)試樣本測(cè)試當(dāng)前模型的目標(biāo)識(shí)別準(zhǔn)確率。

UAV data.mat：實(shí)驗(yàn)數(shù)據(jù)集。

實(shí)驗(yàn)程序運(yùn)行過程如圖10。

圖10 實(shí)驗(yàn)程序運(yùn)行流程圖

訓(xùn)練過程的主函數(shù)在Cnn_UAV.m中運(yùn)行，導(dǎo)入數(shù)據(jù)集UAV data.mat后，首先通過調(diào)用Cnnsetup.m函數(shù)定義實(shí)驗(yàn)所用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并進(jìn)行數(shù)據(jù)初始化；然后調(diào)用Cnntrain.m函數(shù)進(jìn)行訓(xùn)練，訓(xùn)練中調(diào)用Cnnff.m函數(shù)完成卷積神經(jīng)網(wǎng)絡(luò)的前向計(jì)算過程，調(diào)用Cnnbp.m計(jì)算目標(biāo)函數(shù)值，以及目標(biāo)函數(shù)對(duì)權(quán)值和偏置的調(diào)整值，通過調(diào)用Cnnapplygrads.m將計(jì)算出來的梯度調(diào)整值加到原始模型中，完成網(wǎng)絡(luò)更新；最后調(diào)用Cnntest.m函數(shù)，用測(cè)試樣本對(duì)當(dāng)前模型進(jìn)行識(shí)別率測(cè)試。實(shí)驗(yàn)中識(shí)別誤差率的計(jì)算方法為：

（5）實(shí)驗(yàn)結(jié)果及分析

根據(jù)以上代碼結(jié)構(gòu)，首先利用經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn)，通過“struct（'type'，'c'，'outputmaps'，6，'kernelsize'，5）”將第一層卷積層（H1）中的卷積核大小初始化為5×5，且滑動(dòng)步長(zhǎng)初始化為1，依次設(shè)置學(xué)習(xí)率（參數(shù)opta.alpha）為0.1和0.05，分別進(jìn)行10、50、100次迭代實(shí)驗(yàn)，并得到不同的識(shí)別誤差率，如表2所示的實(shí)驗(yàn)數(shù)據(jù)即為經(jīng)典模型的實(shí)驗(yàn)結(jié)果。

表2 經(jīng)典模型實(shí)驗(yàn)結(jié)果

由表2知，當(dāng)學(xué)習(xí)率為0.1，迭代100次時(shí)，誤差率為2.77%，小于10次及50次迭代時(shí)的誤差率；當(dāng)學(xué)習(xí)率為0.05，迭代100次時(shí)，誤差率為4.22%，同樣小于10次及50次迭代的誤差率。當(dāng)?shù)螖?shù)一定時(shí)，經(jīng)過對(duì)表2數(shù)據(jù)的橫向比較，可知學(xué)習(xí)率為0.1時(shí)，實(shí)驗(yàn)誤差率較低；當(dāng)學(xué)習(xí)率一定時(shí)，經(jīng)過對(duì)表2數(shù)據(jù)的縱向比較，可知當(dāng)?shù)螖?shù)為100時(shí)，實(shí)驗(yàn)誤差率較低。因此，利用經(jīng)典模型進(jìn)行實(shí)驗(yàn)時(shí)，當(dāng)學(xué)習(xí)率為0.1時(shí)，迭代100次的識(shí)別誤差率較小。

通過“struct（'type'，'c'，'outputmaps'，6，'kernelsize'，9）”將第一層卷積層（H1）中的卷積核大小初始化為9×9，且滑動(dòng)步長(zhǎng)初始化為2，依次設(shè)置學(xué)習(xí)率（參數(shù)opta.alpha）為0.1和0.05，同樣分別進(jìn)行10、50、100次迭代實(shí)驗(yàn)，得到不同的識(shí)別誤差率，如表3所示的實(shí)驗(yàn)數(shù)據(jù)即為改進(jìn)模型的實(shí)驗(yàn)結(jié)果。

表3 改進(jìn)模型的實(shí)驗(yàn)結(jié)果

由表3知，當(dāng)學(xué)習(xí)率為0.1時(shí)，迭代100次時(shí)，誤差率為2.41%，低于10次及50次迭代時(shí)的誤差率；當(dāng)學(xué)習(xí)率為0.05時(shí)，迭代100次時(shí)，誤差率為3.86%，仍低于10次及50次迭代時(shí)的誤差率。當(dāng)?shù)螖?shù)一定，經(jīng)過對(duì)表3數(shù)據(jù)的橫向比較，可知學(xué)習(xí)率為0.1時(shí)，實(shí)驗(yàn)誤差率較低；當(dāng)學(xué)習(xí)率一定，經(jīng)過對(duì)表3數(shù)據(jù)的縱向比較，可知迭代100次時(shí)，實(shí)驗(yàn)誤差率較低。即利用改進(jìn)模型進(jìn)行實(shí)驗(yàn)時(shí)，當(dāng)學(xué)習(xí)率為0.1時(shí)，迭代100次的實(shí)驗(yàn)誤差率較低，此時(shí)誤差率為2.41%，識(shí)別誤差率變化曲線如圖11。

圖11 識(shí)別誤差率變化圖

根據(jù)表2及表3中實(shí)驗(yàn)數(shù)據(jù)的分析結(jié)果，將兩種模型在學(xué)習(xí)率為0.1，迭代100次時(shí)的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行綜合對(duì)比，如表4。

表4 綜合對(duì)比

通過表4數(shù)據(jù)對(duì)比可以發(fā)現(xiàn)，在樣本集、學(xué)習(xí)率、迭代次數(shù)等條件相同的情況下，對(duì)于無人機(jī)目標(biāo)識(shí)別，相比于經(jīng)典模型，改進(jìn)后的模型降低了圖像的錯(cuò)誤識(shí)別數(shù)量，同時(shí)提高了目標(biāo)識(shí)別率，經(jīng)過對(duì)二者識(shí)別誤差率進(jìn)行做差運(yùn)算，得出改進(jìn)后模型比經(jīng)典模型提高了0.36%的目標(biāo)識(shí)別率。

4 結(jié)論

為了有效遏制無人機(jī)亂飛現(xiàn)象，將深度學(xué)習(xí)技術(shù)應(yīng)用于禁飛區(qū)無人機(jī)目標(biāo)識(shí)別方法中，構(gòu)建了適用于禁飛區(qū)無人機(jī)特征的深度學(xué)習(xí)網(wǎng)絡(luò)，實(shí)現(xiàn)了無人機(jī)目標(biāo)的自主識(shí)別。經(jīng)過實(shí)驗(yàn)驗(yàn)證，當(dāng)學(xué)習(xí)率為0.1，迭代100次時(shí)，改進(jìn)后模型的識(shí)別錯(cuò)誤率是2.41%，比直接應(yīng)用經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型高出0.36%的識(shí)別率。在網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)上，還是存在一些冗余現(xiàn)象，導(dǎo)致收斂速度慢，后期將繼續(xù)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行研究，目的在于進(jìn)一步提高模型的工作效率。另外，目前的研究工作僅針對(duì)無人機(jī)識(shí)別，在此基礎(chǔ)上，后期將進(jìn)行禁飛區(qū)預(yù)警方法研究，希望在禁飛區(qū)安全管理領(lǐng)域具有更加廣泛的應(yīng)用。

［1］吳沁怡.我國(guó)無人機(jī)的發(fā)展現(xiàn)狀與展望［J］.科技展望，2016，26（12）：285-285.

［2］邴麗媛，劉智，蔣余成.基于模糊神經(jīng)網(wǎng)絡(luò)的電力巡線無人機(jī)避障技術(shù)研究［J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2017，40（3）：98-102.

［3］馬巖，曹金成，黃勇，李斌.基于BP神經(jīng)網(wǎng)絡(luò)的無人機(jī)故障診斷專家系統(tǒng)研究［J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，34（04）：137-139.

［4］冬月.加強(qiáng)無人機(jī)監(jiān)管的若干思考［J］.呼倫貝爾學(xué)院學(xué)報(bào)，2017，25（03）：42-45.

［5］程家暉.基于深度卷積神經(jīng)網(wǎng)絡(luò)的飛行器圖像識(shí)別算法研究［D］.杭州：浙江大學(xué)，2017.

［6］何煦.對(duì)低空小型無人機(jī)的對(duì)抗方法研究［J］.中國(guó)新通信，2016，18（15）：147-149.

［7］Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks［C］.International Conference on Neural Information Processing Systems.Curran Associates Inc.2012：1097-1105.

［8］吳岸城.神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)［M］.北京：電子工業(yè)出版社，2016：66-80.

［9］李斯凡，高法欽.基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別［J］.浙江理工大學(xué)學(xué)報(bào)，2017，37（03）：438-443.

［10］傅瑞罡.基于深度學(xué)習(xí)的圖像目標(biāo)識(shí)別研究［D］.長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2014.

［11］蔣兆軍，成孝剛，彭雅琴等.基于深度學(xué)習(xí)的無人機(jī)識(shí)別算法研究［J］.電子技術(shù)應(yīng)用，2017，43（07）：84-87.

［12］趙永科.深度學(xué)習(xí)：21天實(shí)戰(zhàn)Caffe［M］.北京：電子工業(yè)出版社，2016：15-18.

［13］樂毅，王斌.深度學(xué)習(xí)：Caffe之經(jīng)典模型詳解與實(shí)戰(zhàn)［M］.北京：電子工業(yè)出版社，2016：15-17.