一种无人机智能检测方法及系统

技术领域

本发明涉及信号识别处理技术领域，具体涉及一种无人机智能检测方法及系统。

背景技术

目前，无人机越来越普及，被广泛运用于各行各业。然而，在无人机带来诸多便捷的同时，也存在监管力度不足的问题。每年，由于无人机的错误使用，违规使用等原因造成的财产损失和人身威胁的事件频发。考虑到无人机不仅对某些重要场所如机场、工厂等带来设备安全、人生安全的威胁。因此，一些重要机构甚至是一般住宅都需要实时检测无人机的入侵。现有的无人机检测方法包括雷达检测、机器视觉和音频识别等方法，但上述无人机检测方法采用的设备价格昂贵，且易受环境条件限制，不适合用于一般楼宇或者住宅的无人机检测。

发明内容

本发明提供一种无人机智能检测方法及系统，其目的在于解决一般场合下，特别是超低空环境中准确检测无人机是否存在的问题。

本发明通过下述技术方案实现：

一种无人机智能检测方法，包括以下步骤：

步骤1：获取待测空间中的OFDM信号，根据所述OFDM信号，判断待测空间中是否存在无人机；

步骤2：若待测空间中存在无人机，根据步骤1获取的OFDM信号，检测无人机的二维方位；

步骤3：根据步骤2得到的无人机二维方位检测结果，判断无人机是否进入非法飞行区域。

作为对本发明的进一步描述，步骤1利用天线系统获取待测空间中的OFDM信号，所述天线系统的设计方法为：基于空间直角坐标系，在X轴和Y轴所在的平面上，以原点O为圆心，呈放射状设置N根天线，每根天线之间的夹角为

作为对本发明的进一步描述，步骤1判断待测空间中是否存在无人机的方法为：

步骤1.1：通过导频提取OFDM信号中的CSI(信道状态信息)，把在M时刻，第N根天线上的第K子个载波中提取的CSI表示为

步骤1.2：构建神经网络模型，利用提取的K·N·M个CSI训练所述神经网络模型；

步骤1.3：当需要进行无人机智能识别时，将实时提取的K·N·M个CSI输入经训练好的神经网络模型，输出判断结果；

步骤1.4：根据步骤1.3的判断结果，判定待测空间中是否存无人机。

作为对本发明的进一步描述，步骤2检测无人机的二维方位的方法为：

步骤2.1：以所述天线系统的圆心O为参考，根据获取的OFDM信号，构建圆形阵列响应矢量

步骤2.2：根据所述圆形阵列，将提取到的同一时刻，N根天线，K个子载波中的CSI重构为复数矢量C，所述

步骤2.3：将所述

作为对本发明的进一步描述，步骤3判断无人机是否进入非法飞行区域的方法为：以非法飞行区域边界线的切线为Y轴，建立空间直角坐标系，利用步骤2所述的方法持续检测无人机的二维方位角，当所述二维方位角在XY平面上的投影角度值为负数时，即可判定非法飞行区域内有无人机入侵。

作为对本发明的进一步改进，在判断非法飞行区域内是否有无人机入侵之前，对待测空间中是否存在无人机作进一步识别确认，方法为：结合步骤2，检测无人机在Z轴上的方位角度值，当天线系统的安装高度与无人机在Z轴上的方位角度值同时满足以下情况时，可进一步确定信号源为无人机信号源：

(1)当天线系统的安装高度为3米至5米时，信号源在Z轴上的方位角度值范围为0°至89°；

(2)当天线系统的安装高度为5米至10米时，信号源在Z轴上的方位角度值范围为-5°至89°；

(3)当天线系统的安装高度为10米至15米时，信号源在Z轴上的方位角度值范围为-8°至89°；

(4)当天线系统的安装高度为15米至20米时，信号源在Z轴上的方位角度值范围为-10°至89°；

(5)当天线系统的安装高度为20米至30米时，信号源在Z轴上的方位角度值范围为-15°至89°。

作为对本发明的进一步描述，神经网络模型为3层神经网络，每一层的激活函数为sigmoid函数；得到的检测结果为一个二维向量Y＝[y

一种无人机智能检测系统，包括：

信号接收模块，用于接收待测空间中的OFDM信号；

信号处理模块，用于提取OFDM信号中的信息，并将提取到的信息转换为向量表示；

模型计算模块，用于训练模型，并对输入模型中的数据进行计算；

方位角计算模块，用于将圆形阵列响应矢量

方位角确定模块，用于寻找所述伪峰谱图中的最大峰对应的二维角度，从而确定无人机的二维方位角度；

结果判定模块，用于判定待测空间中是否存在无人机，及无人机是否进入非法飞行区域；

作为对本发明的进一步描述，

所述信号处理模块包括：子载波信号获取单元，用于从接收到的OFDM信号中获取子载波信号；CSI信息提取单元，用于从子载波信号中提取CSI；圆形阵列响应矢量构建单元，用于根据获取的OFDM信号构建圆形阵列响应矢量

所述模型计算模块包括：神经网络模型训练单元，用于利用CSI训练神经网络模型；神经网络模型计算单元，用于将实时提取的CSI输入训练好的神经网络模型，计算无人机存在性的判断结果；

所述结果判定模块包括：无人机存在性确认单元，用于根据神经网络模型的输出结果，判定待测空间中是否存在无人机；无人机入侵判定单元，用于判断无人机是否进入非法飞行区域。

作为对本发明的进一步改进，无人机智能检测系统还包括二次确认模块，用于对待测空间中是否存在无人机进行二次确认。

本发明与现有技术相比，具有如下的优点和有益效果：

1.本发明合理利用无人机固有的震动属性对接收到的信号进行分析，能够有效检测出准确空间中是否有无人机存在；

2.本发明相比现有的采用雷达、机器视觉等方式检测无人存在性的方法相比，原理更简单，容易在低成本器件上实现；

3.本发明适用范围广，能够适用于普通楼宇之间的超低空无人机检测场合。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为无人机智能检测方法流程图。

图2为无人机信号接收系统设计原理示意图。

图3为神经网络模型结构原理示意图。

图4为无人机入侵检测示意图。

图5为无人机智能检测系统结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1，图1示出了一种无人机智能检测方法流程，包括如下步骤：

步骤1，获取待测空间中的OFDM信号，根据所述OFDM信号，判断待测空间中是否存在无人机，包括以下子步骤：

(1.1)设计无人机信号源接收系统，接收无人机发出的OFDM信号。建立图2所示的一个空间坐标系，在X轴和Y轴所在的平面上，以原点O为圆心，呈放射状均匀布置N根天线，每根天线之间的夹角为

(1.2)通过导频提取OFDM信号中的CSI(信道状态信息)，把在M时刻，第N根天线上的第K子个载波中提取的CSI表示为

(1.3)构造神经网络模型，利用步骤(2)提取的CSI信道状态信息训练神经网络模型。构造一个如图3所示的具有3层神经网络的神经网络模型，最左边为输入层，中间2层为隐藏层，最右边为输出层，每一层的激活函数为sigmoid函数。将步骤(2)得到的K·N·M个CSI输入到上述神经网络模型中，对该神经网络模型进行训练。

(1.4)将步骤(2)提取到的K·N·M个CSI输入到经步骤(3)训练好的神经网络模型中，输出结果为一个二维向量Y＝[y

步骤2：若待测空间中存在无人机，根据步骤1获取的OFDM信号，检测无人机的二维方位，包括以下子步骤：

(2.1)以步骤(1.1)建立的空间直角坐标系的圆心为参考，根据接收到的OFDM信号，构造圆形阵列响应矢量

(2.2)对于该圆形阵列响应矢量，通过导频获取不同子载波的CSI，将同一时刻，所有K个子载波，N根天线的接收的CSI重构成复数矢量

(2.3)将步骤(2.1)的

(2.4)根据步骤(2.3)计算得出的伪峰谱图，寻找该伪峰谱图的最大峰对应的二维角度，即得到无人机信号源的二维入射角。

步骤3：根据步骤2得到的无人机二维方位检测结果，判断无人机是否进入非法飞行区域，包括以下子步骤：

(3.1)结合步骤2判定的信号源在Z轴上的方位角大小，当无人机信号源接收系统的安装高度与信号源在Z轴上的方位角大小，同时满足以下情况时，进一步确定信号源为无人机信号源：

(3.1.1)当无人机信号源接收系统的安装高度为3-5米时，信号源在Z轴上的方位角度值范围为0°-89°；

(3.1.2)当无人机信号源接收系统的安装高度为5-10米时，信号源在Z轴上的方位角度值范围为-5°-89°；

(3.1.3)当无人机信号源接收系统的安装高度为10-15米时，信号源在Z轴上的方位角度值范围为-8°-89°；

(3.1.4)当无人机信号源接收系统的安装高度为15-20米时，信号源在Z轴上的方位角度值范围为-10°-89°；

(3.1.5)当无人机信号源接收系统的安装高度为20-30米时，信号源在Z轴上的方位角度值范围为-15°-89°。

(3.2)按照步骤2所述的方法，持续检测无人机信号源的二维方位角。

(3.3)根据步骤(3.2)持续检测的无人机信号源的二维方位角，如图4所示，当无人机信号源在XY平面的投影角度小于0度时，则为入侵判定。

实施例2，一种无人机智能检测系统如图5所示，该无人机智能检测系统包括：

信号接收模块，用于接收待测空间中的OFDM信号。

信号处理模块，包括一个子载波信号获取单元和一个CSI信息提取单元，其中，子载波信号获取单元利用导频从N根天线中连续获取的OFDM信号中可获取K个子载波信息，CSI信息提取单元，从每一根天线获取的单个子载波信道状态信息中，可提取出M个CSI，从而共可提取出K·N·M个CSI；该信号处理模块还包括一个圆形阵列响应矢量构建单元和一个复数矢量构建单元，其中，圆形阵列响应矢量构建单元以步骤(1.1)建立的空间直角坐标系的圆心为参考，根据接收到的OFDM信号，构造圆形阵列响应矢量

模型计算模块，包括一个神经网络模型训练单元和一个神经网络模型计算单元。其中，神经网络模型训练单元利用CSI，对如图3所示的具有3层神经网络，每一层激活函数为sigmoid函数的神经网络模型进行训练；神经网络模型计算单元将实时提取的CSI输入经神经网络训练模块训练好的神经网络模型，得到一个二维向量Y＝[y

方位角计算模块，用于将圆形阵列响应矢量

方位角确定模块，根据方位角计算模块计算得到的伪峰谱图，寻找所述伪峰谱图中的最大峰对应的二维角度，从而确定无人机的二维方位角度。

结果判定模块，包括一个无人机存在性确认单元和一个无人机入侵判定单元。其中，无人机存在性确认单元根据神将网络模型计算单元计算得到的二维向量Y＝[y

二次确认模块，根据方位角计算模块得到的无人机在Z轴上的方位角大小，当无人机信号源接收系统的安装高度与信号源在Z轴上的方位角大小，同时满足以下情况时，输出待测空间中存在无人机的二次确认结果：

(1)当无人机信号源接收系统的安装高度为3-5米时，信号源在Z轴上的方位角度值范围为0°-89°；

(2)当无人机信号源接收系统的安装高度为5-10米时，信号源在Z轴上的方位角度值范围为-5°-89°；

(3)当无人机信号源接收系统的安装高度为10-15米时，信号源在Z轴上的方位角度值范围为-8°-89°；

(4)当无人机信号源接收系统的安装高度为15-20米时，信号源在Z轴上的方位角度值范围为-10°-89°；

(5)当无人机信号源接收系统的安装高度为20-30米时，信号源在Z轴上的方位角度值范围为-15°-89°。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。