سپر صوتی: شناسایی و طبقه بندی صوتی پهپاد با شبکه عصبی سبک وزن

استفاده گسترده از پهپادها، نیاز به تدابیر امنیتی پیشرفته برای جلوگیری از نفوذ غیرمجاز به حریم هوایی و مقابله با تهدیدات امنیتی را افزایش داده است. سامانه های شناسایی صوتی پهپاد، با بهره گیری از ویژگی های صوتی منحصربه فرد این پرنده ها، امکان پایش و نظارت از راه دور را در محیط های حساس نظیر مناطق نظامی، اماکن حفاظت شده، و فضاهای شهری فراهم می سازند. در این مقاله، ما چارچوبی قدرتمند مبتنی بر معماری شبکه عصبی عمیق بر اساس شبکه ConvNeXt برای شناسایی و طبقه بندی صوتی پهپادها ارائه می شود. مدل پیشنهادی با بهره گیری از معماری سبک وزن، بر روی مجموعه ای متنوع از داده های صوتی آموزش دیده و ارزیابی شده است تا دقت عملکرد و قابلیت تعمیم آن در شرایط گوناگون تضمین گردد. نتایج آزمایش ها نشان دهنده عملکرد بسیار بالای مدل پیشنهادی در تشخیص دقیق و طبقه بندی انواع مختلف پهپادها در محیط های پیچیده صوتی است و نشان می دهد که مدل طراحی شده علاوه بر دقت بالا، دارای سرعت پردازش مناسب برای استفاده در کاربردهای بلادرنگ نیز می باشد. همچنین مدل چند وظیفه ای ما نسبت به روش های موجود برتری داشته و می تواند به عنوان یک راهکار عملی در سامانه های نظارتی صوتی و سازگار با منابع سخت افزاری محدود مورد استفاده قرار گیرد. با وجود عملکرد دقیق که موفق شد دقت شناسایی را تا ۵۵/۹۹ درصد و دقت طبقه بندی را تا ۲۱/۹۹ درصد افزایش دهد، حجم مولفه های قابل آموزش تنها ۶۲/۰ میلیون (۶۲۵۵۴۲ مولفه) می باشد که این مدل را برای پیاده سازی در سامانه های نظارت محیطی کم مصرف مناسب می سازد.

کلیدواژه ها:

شناسایی بلادرنگ پهپاد ، طبقه بندی صوتی پهپادها ، پردازش سیگنال ، شبکه عصبی سبک وزن ، تشخیص پهپاد در محیط های پیچیده