一种利用yolov5网络模型对信号类型进行调制识别的方法

技术领域

本发明涉及一种对信号类型进行调制识别的方法，更具体一点说，涉及一种利用yolov5网络模型对信号类型进行调制识别的方法，属于人工智能和通信领域。

背景技术

随着无线电通信技术的不断发展，通信环境变得越来越复杂。在实际通信过程中，为了保证信息的准确性、快速性、安全性和有效性，需要进行无线电调制识别，它是信号检测和信号解调的中间过程。早期的无线电信号识别技术，是利用各种频谱采集设备采集空中射频信号，经过处理后，以频谱图、瀑布图等可视化方式展现出来，由专业人员分析信号时频特征并寻找目标信号。这种技术对操作人员的专业素质要求非常高，而且当监测时间变长或无线电信号较多时，人工分析效率和准确率也会大幅下降。

基于深度学东西的自动调制算法的基本思想是向神经网络中输入大量已标记的调制信号数据集在网络中，神经网络学习并提取标记数据集中信号的特征，最后根据特征完成分类。与传统的调制检测方法相比，由于深度神经网络强大的特征提取和分类能力，利用深度学习进行信号调制识别方法已经取得了很好的性能，包括高识别精度和低错误率。整个过程不需要人工进行信号特征提取，可以达到很高的识别精度。用图像深度学习解决无线电信号识别问题的技术思路，首先把无线电信号具象化为一张二维图片，将无线电信号识别问题转化为图像识别领域的目标检测问题；进而充分利用人工智能在图像识别领域的先进成果，提高无线电信号识别的智能化水平和复杂电磁环境下的识别能力。该技术可以应用于无线电通信、雷达、无线电侦察、卫星通信等多个领域，能够实现对不同调制信号的自动分类、识别和分析，为无线电通信等应用提供技术支持。

目前，基于深度学习的图像目标检测主要分为两类：一类是以R-CNN、faster R-CNN为代表的基于区域提取(region proposal)的目标检测算法，另一类是以YOLOv5、SSD为代表的基于回归问题的端到端目标检测算法。前者需要把检测过程分为区域提取和检测分类两步；而后者直接在一个卷积网络中实现目标的定位和识别，简化了网络结构，在保证准确率的前提下，检测速度达到了实时检测的要求，因此，本研究将以YOLOv5为基础设计无线电信号识别模型。

而现有的基于图像处理的信号调制识别大多都是基于星座图，而星座图中不同类别信号极易混淆，相似度高，例如2fsk和qpsk，对于机器而言特征性不够明显，调制识别分类效果精度很差。

发明内容

为了解决上述现有技术问题，本发明提供具有能够清晰区分出需要调制的八类信号等技术特点的一种利用yolov5网络模型对信号类型进行调制识别的方法。

为了实现上述目的，本发明是通过以下技术方案实现的：

一种利用yolov5网络模型对信号类型进行调制识别的方法，该方法包括如下步骤：

步骤1)：将待处理信号转化为八类信号的星座图和功率谱图；

步骤2)：将现有的图片格式jpg变为yolov5网络模型训练所需要的yolo.txt文件格式以实现数据预处理；每个文件格式中以训练train和测试val两类的需求按照对应比例分类，获得所需要的数据集以完成数据集的构建，数据集包括用于训练的数据和测试的数据；

步骤3)：数据集送入yolov5(YOLOv5)网络模型，根据实际需求对相应的配置文件以及类别进行修改，然后根据数据集和要求所需对超参数进行修正，直至以全部执行过后开始进行训练，获得练好的权重以完成采用yolov5网络模型对图像进行分类训练；

步聚4)：训练结束后，在权重文件中选择训练模型best.pt，在yolov5网络模型的识别detect程序中载入训练好的权重，根据实际需要更改对应参数，进行测试以对不同类别的图片进行分类测试；训练模型bestp.t：保存的是训练过程中在验证集上表现最好的模型权重。在训练过程中，每个epoch结束后都会对验证集进行一次评估，并记录下表现最好的模型的权重。这个文件通常用于推理和部署阶段，因为它包含了在验证集上表现最好的模型的权重，可以获得最佳的性能。ast.pt:保存的是最后一次训练送代结束后的模型权重。这个文件通常用于继续训练模型，因为它包含了最后一次训练送代结束时的模型权重，可以继续从上一次训练结束的地方继续训练模型。使用上的区别是，当需要在之前的训练基础上继续训练时，应该使用ast,pt作为起点进行训练，当需要使用训练后的模型进行推理和部署时，使用best.pt；

步骤5)：识别效果分析。

优选的，步骤2)中每个文件格式中以训练train和测试val两类，按照对应比例7：3分类；训练时，对数据集的前70％进行训练，训练集的后30％用于训练过程中的yolov5网络模型验证。

优选的，yolov5网络模型包括模型训练优化器，模型训练优化器采用Adam算法，轮次epoch参数设为200，批大小batch_size参数设为8。

优选的，步骤5)中选用精准率precision和召回率Recall作为对比指标以便于评估信号类型的分类准确性。

优选的，步骤5)中选用平均查准率AP进行分类效果评估以便于评估信号类型的分类准确性。

优选的，对所有AP值求平均得到了mAP值以进行分类效果评估。

优选的，将待处理信号通过MATLAB转化为八类信号的星座图和功率谱图。

优选的，通过星座图得到8psk、16qam、bpsk、qpsk的调制识别区分。

优选的，通过功率谱图得到fm、2psk、am、4fsk的调制识别区分。

有益效果：先对特征明显的信号通过网络进行区别，再对剩下的信号以不同的谱图方法进行识别分类，且每一类的分类识别置信度能够高于0.5，提高了机器的识别精度，能清晰准确区分出不同类别的调制信号。

附图说明

图1是本发明实现信号识别的流程图。

具体实施方式

以下结合说明书附图，对本发明作进一步说明，但本发明并不局限于以下实施例。

如图1是本发明实现信号识别的流程图，包括：将八类信号的星座图输入yolov5网络(模型)；得到8psk，16qam,bpsk,qpsk的调制识别区分；将剩下的信号进行区分；再次将fm，2psk,am,4fsk的功率谱送入yolov5；得到最后四种调制类型的分类；对识别分类的效果进行分析。

yolov5网络模块属于现有技术，其是Ultralytics公司于2020年6月9日公开发布的。YOLOv5模型是基于YOLOv3模型基础上改进而来的，有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个模型。YOLOv5模型由骨干网络、颈部和头部组成。

(1)骨干网络：YOLOv5网络模型的骨干网络主要由Focus、BottleneckCSP和SSP网络构成，其中主要包括Focus、Conv卷积块、BottleneckCSP和SSP等模块。

首先输入大小为640*640*3的图片，其中3是卷积数量，通过Focus模块进行切片，减小图像的高度和宽度输出图片大小为320*320，并通过Concat将切片图像的高度和宽度整合，增加输入图像的通道数，此时图像通道数为64。其次对整合后的图像通过大小为3，步长为2的Conv卷积模块进行特征提取，输出图像大小为160*160*128。然后对提取的特征图经过3组BottleneckCSP1和Conv卷积操作后，得到图像大小为20*20*1024的特征图。对20*20的特征图采用SSP模块来提升模型精度。SSP模块对图像分别进行1*1、5*5、9*9、13*134次最大池化操作从多方面提取特征，通过Concat将四组池化后的特征图聚合起来。

(2)颈部：YOLOv5使用的BottleneckCSP1和BottleneckCSP2能在保证准确的同时，提高网络速度。YOLOv5的颈部采用BottleneckCSP2模块减少模型参数量，通过上采样操作80*80*512大小的特征图，上采样过程由2组BottleneckCSP2、大小为1步长为1的Conv、Upsample和Concat连接完成，其中Concat[i,j]中j代表网络中第j层操作得到的特征图。对80*80*512的特征图再通过下采用操作分别得到80*80*512、40*40*512、20*20*512三种不大小的特征图。

(3)头部：YOLOv5的头部采用多尺度特征图用于检测，用大图像检测小目标，小图像检测大目标。对颈部三种不同尺度特征图，通过Conv2d卷积操作，最终得到三个大小分别为80*80*255、40*40*255、20*20*255的特征图。

(4)输出：在三个不同尺度特征图上生成候选框，由于本文对烟雾的检测只有2类，即烟雾和非烟雾，对YOLOv5m的3个尺度特征图使用3种大小不同的候选框对烟雾进行预测，因此对于第三章自制数据集，一共有21个候选框。最后输出采用加权非极大值的方式对目标框进行筛选对生成的21个候选框进行筛选，输出目标分类和边框回归。

具体的：本发明一种利用yolov5网络模型对信号类型进行调制识别的方法的实施例，该方法包括如下步骤：

步骤1)：将待处理信号通过MATLAB转化为八类信号的星座图和功率谱图；如通过星座图得到8psk、16qam、bpsk、qpsk的调制识别区分。通过功率谱图得到fm、2psk、am、4fsk的调制识别区分；

步骤2)：将现有的图片格式jpg变为yolov5网络模型训练所需要的yolo.txt文件格式以实现数据预处理；每个文件格式中以训练train和测试val两类的需求按照对应比例分类，优选比例7：3分类，获得所需要的数据集以完成数据集的构建，数据集包括用于训练的数据和测试的数据，训练时，对数据集的前70％进行训练，训练集的后30％用于训练过程中的yolov5网络模型验证，即验证集；

步骤3)：数据集送入yolov5网络模型，根据实际需求对相应的配置文件以及类别进行修改，然后根据数据集和要求所需对超参数进行修正，直至以全部执行过后开始进行训练，获得练好的权重以完成采用yolov5网络模型对图像进行分类训练；

步聚4)：训练结束后，在权重文件中选择训练模型best.pt，在识别detect程序中载入训练好的权重，根据实际需要更改对应参数，进行测试以对不同类别的图片进行分类测试；

步骤5)：识别效果分析。可以选用精准率precision和召回率Recall作为对比指标以便于评估信号类型的分类准确性；或选用平均查准率AP进行分类效果评估以便于评估信号类型的分类准确性。

优选的一种实施例，yolov5网络模型包括模型训练优化器，模型训练优化器采用Adam算法，轮次epoch参数设为200，批大小batch_size参数设为8。

优选的一种实施例，对所有AP值求平均得到了mAP值以进行分类效果评估。

最后，需要注意的是，本发明不限于以上实施例，还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形，均应认为是本发明的保护范围。