一种基于轻量化YOLO网络的无人机噪声识别方法及系统

本发明涉及无人机声学信号处理与目标识别，具体的是一种基于轻量化yolo网络的无人机噪声识别方法及系统。

背景技术：

1、随着无人机技术的快速发展，无人机已广泛应用于物流配送、电力巡检、农业植保、航拍测绘和应急救援等领域。然而，无人机的大量普及也引发了低空空域安全问题，例如违规飞行、扰航入侵、重要区域非法侦察等，严重威胁公共安全和重点目标防护。因此，开展无人机目标检测与识别研究具有重要的现实意义。现有无人机检测技术主要包括雷达检测、无线电检测、光电检测和声学检测等方式。其中，声学检测由于成本较低、易于布设、适应弱光或遮挡环境、对电磁环境依赖较小等优势，在近距离低空监测场景中具有较好的应用潜力。无人机在飞行过程中会产生具有一定规律性的旋翼噪声和电机噪声，这些声学特征可作为无人机目标识别的重要依据。

2、传统无人机噪声识别方法通常采用人工特征提取与浅层分类器结合的方式，例如提取梅尔频率倒谱系数mfcc、短时傅里叶变换stft谱图等声学特征，再输入支持向量机、k近邻、多层感知机或隐马尔可夫模型进行分类。这类方法结构简单、训练速度快，在实验室环境中具有一定识别效果，但是现有的无人机噪声识别方法在应用至复杂噪声环境下时，由于难以适应无人机飞行状态、距离、姿态以及背景环境变化带来的复杂声学差异，使得在复杂噪声中学习深层判别信息的能力下降，导致识别性能下降明显。

技术实现思路

1、为解决上述背景技术中提到的不足，本发明的目的在于提供一种基于轻量化yolo网络的无人机噪声识别方法及系统。

2、第一方面，本发明的目的可以通过以下技术方案实现：一种基于轻量化yolo网络的无人机噪声识别方法，方法包括以下步骤：

3、获取无人机噪声样本及城市背景噪声样本，基于无人机噪声样本及城市背景噪声样本进行样本处理，得到复杂噪声环境下的无人机噪声数据集；

4、基于预设梅尔频率倒谱系数mfcc特征提取方法对复杂噪声环境下的无人机噪声数据集进行一维时域音频信号至二维特征图谱的转换，得到mfcc特征提取图数据集；

5、将mfcc特征提取图数据集输入至预先建立的yolov8n-cls轻量化网络模型内进行训练，得到训练后的yolov8n-cls轻量化网络模型，获取待识别无人机噪声数据，将待识别无人机噪声数据输入至训练后的yolov8n-cls轻量化网络模型内，输出得到无人机噪声识别结果。

6、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述梅尔频率倒谱系数mfcc特征提取方法包括预加重、分帧与加窗、快速傅里叶变换、mel滤波器组滤波、对数运算及离散余弦变换。

7、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预加重的过程，包括：

8、对复杂噪声环境下的无人机噪声数据集内的原始信号通过一个一阶高通滤波器：

9、

10、其中为预设系数；

11、分帧与加窗的过程，包括：

12、对预加重后的信号进行上乘以一个两端平滑过渡到零的窗函数，采用的窗函数表达式如下：

13、

14、其中为帧长，加窗后的信号为。

15、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述快速傅里叶变换的过程，如下：

16、对每一帧加窗后的信号s[n]进行fft，将其从时域变换到频域，获得该帧的频谱分布s[k]：

17、

18、进而计算功率谱：

19、；

20、mel滤波器组滤波的过程，如下：

21、将功率谱通过一组mel尺度的三角滤波器，每个滤波器的中心频率在mel尺度上等间距分布，在hz尺度上呈现低频密集、高频稀疏的分布特性；

22、第个三角滤波器的频率响应定义为：

23、

24、其中为第个滤波器的中心频率，为频率索引。

25、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述对数运算的过程，如下：

26、将获得的每个mel滤波器输出能量取自然对数：

27、

28、离散余弦变换的过程，如下：

29、对对数能量序列进行离散余弦变换，利用dct的能量集中特性，将滤波器组输出的信息压缩到低维系数中，同时去除各维特征之间的线性相关性，最终得到mfcc系数，如下：

30、

31、其中，表示第维梅尔频率倒谱系数；为梅尔滤波器组内滤波器总数；为滤波器序号；为第个梅尔滤波器输出能量经过对数运算后得到的值；为最终输出的 mfcc系数维数；为mfcc系数序号。

32、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述yolov8n-cls轻量化网络模型通过骨干网络进行多尺度特征学习，结合分类颈部网络与分类头部网络输出多维概率向量，通过softmax函数归一化后取最大值所对应的类别作为无人机噪声识别结果。

33、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述骨干网络由第一卷积模块、第二卷积模块、四个c2f模块及一个sppf模块依次级联构成，分类颈部网络为一个自适应平均池化层，将骨干网络输出的特征图的空间尺寸进行降维，分类头部网络依次包括展平层、第一dropout层、第一全连接层、第二dropout层及第二全连接层，其中，第一全连接层和第二全连接层将全局特征向量通过线性变换映射到高维空间以增强类别可分性，第一dropout层和第二dropout层在训练过程中随机丢弃部分神经元以防止过拟合，最终输出多维概率向量。

34、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述yolov8n-cls轻量化网络模型的表达式如下：

35、设输入为，，yolov8n-cls整体可视为一个复合函数，将输入映射为类别概率向量，其中，为类别数；

36、

37、其中，各部分的数学含义如下：

38、主干网络由卷积、批归一化、silu激活、c2f模块及sppf模块依次复合而成：

39、

40、其中x是输入特征图，每个表示卷积与批归一化与silu的三元组；每个由多个bottleneck残差块堆叠，并带有跨层拼接和融合；sppf为串行最大池化后的拼接与卷积，最终输出特征图；

41、分类颈部为自适应平均池化层，将空间维度压缩为1×1：

42、

43、得到全局向量；

44、分类头部将全局特征向量  映射为各类别的概率分布，其前向传播过程依次为：

45、

46、

47、

48、其中，为展平操作为丢弃概率为0.2的随机失活层；为第一全连接层；为第二全连接层为全连接层输出的类别得分向量，其第个分量表示输入归属于第  类的未归一化得分，将经softmax归一化函数处理，得到各类的概率分布：

49、

50、其中，为输入归属于第类的概率，为所有类别得分的指数和。

51、第二方面，为了达到上述目的，本发明公开了一种基于轻量化yolo网络的无人机噪声识别系统，包括：

52、数据获取模块，用于获取无人机噪声样本及城市背景噪声样本，基于无人机噪声样本及城市背景噪声样本进行样本处理，得到复杂噪声环境下的无人机噪声数据集；

53、数据处理模块，用于基于预设梅尔频率倒谱系数mfcc特征提取方法对复杂噪声环境下的无人机噪声数据集进行一维时域音频信号至二维特征图谱的转换，得到mfcc特征提取图数据集；

54、识别输出模块，用于将mfcc特征提取图数据集输入至预先建立的yolov8n-cls轻量化网络模型内进行训练，得到训练后的yolov8n-cls轻量化网络模型，获取待识别无人机噪声数据，将待识别无人机噪声数据输入至训练后的yolov8n-cls轻量化网络模型内，输出得到无人机噪声识别结果。

55、本发明的有益效果：

56、本发明采用yolov8n-cls轻量化网络作为分类模型，能够在保证较高识别精度的同时降低模型复杂度，提高推理效率，通过深度特征提取，可有效提升模型对复杂背景噪声的准确率，提升识别性能。