اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,331 |
| تعداد مقالات | 9,574 |
| تعداد مشاهده مقاله | 9,756,404 |
| تعداد دریافت فایل اصل مقاله | 5,960,701 |
سپر صوتی: شناسایی و طبقه‌بندی صوتی پهپاد با شبکه‌ی عصبی سبک وزن | ||
| پدافند غیرعامل | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 شهریور 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسنده | ||
| فاطمه علی مددی* | ||
| هوش مصنوعی و رباتیکز-دانشکده مهندسی کامپیوتر-دانشگاه صنعتی مالک اشتر-تهران-ایران | ||
| تاریخ دریافت: 04 مرداد 1404، تاریخ بازنگری: 29 شهریور 1404، تاریخ پذیرش: 29 شهریور 1404 | ||
| چکیده | ||
| 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. سامانه‌های شناسایی صوتی پهپاد، با بهره‌گیری از ویژگی‌های صوتی منحصربه‌فرد این پرنده‌ها، امکان پایش و نظارت از راه دور را در محیط‌های حساس نظیر مناطق نظامی، اماکن حفاظت‌شده، و فضاهای شهری فراهم می‌سازند. در این مقاله، ما چارچوبی قدرتمند مبتنی بر معماری شبکه عصبی عمیق بر اساس شبکه ConvNeXt برای شناسایی و طبقه‌بندی صوتی پهپادها ارائه می‌دهیم. مدل پیشنهادی با بهره‌گیری از معماری سبک‌وزن، بر روی مجموعه‌ای متنوع از داده‌های صوتی آموزش دیده و ارزیابی شده است تا دقت عملکرد و قابلیت تعمیم آن در شرایط گوناگون تضمین گردد. نتایج آزمایش‌ها نشان‌دهنده عملکرد بسیار بالای مدل پیشنهادی در تشخیص دقیق و طبقه‌بندی انواع مختلف پهپادها در محیط‌های پیچیده صوتی است و نشان می‌دهد که مدل طراحی‌شده علاوه بر دقت بالا، دارای سرعت پردازش مناسب برای استفاده در کاربردهای بلادرنگ نیز می‌باشد. همچنین مدل چند وظیفه‌ای ما نسبت به روش‌های موجود برتری داشته و می‌تواند به‌عنوان یک راهکار عملی در سامانه‌های نظارتی صوتی و سازگار با منابع سخت‌افزاری محدود مورد استفاده قرار گیرد. با وجود عملکرد دقیق که موفق شد دقت شناسایی را تا ۹۹/۵۵ درصد و دقت طبقه‌بندی را تا ۹۹/۲۱ درصد افزایش دهد، حجم پارامترهای قابل آموزش تنها ۰/۶۲ میلیون (۶۲۵۵۴۲ پارامتر) می‌باشد که این مدل را برای پیاده‌سازی در سامانه‌های نظارت محیطی کم‌مصرف مناسب می‌سازد. | ||
| کلیدواژه‌ها | ||
| شناسایی بلادرنگ پهپاد؛ طبقه‌بندی صوتی پهپادها؛ پردازش سیگنال؛ شبکه عصبی سبک‌وزن؛ تشخیص پهپاد در محیط‌های پیچیده | ||
| عنوان مقاله [English] | ||
| Acoustic Shield: Lightweight Neural Network for Audio-Based Drone Detection and Classification | ||
| نویسندگان [English] | ||
| Fatemeh Alimadadi | ||
| Artificial Intelligence and Robotics-Faculty of Computer Engineering-Malek Ashtar University of Technology-Tehran-Iran | ||
| چکیده [English] | ||
| The widespread use of UAVs has intensified the need for advanced security measures to prevent unauthorized airspace intrusions and mitigate potential threats. Audio-based drone detection systems, which leverage the unique acoustic signatures of drones, offer a viable solution for remote monitoring and surveillance in sensitive environments such as military zones, secured facilities, and urban areas. In this paper, we propose a powerful framework based on a lightweight deep neural network architecture derived from ConvNeXt for accurate and real-time acoustic drone detection and classification. The proposed model is trained and evaluated on a diverse collection of drone and environmental audio recordings to ensure high performance and generalization across various conditions. Experimental results demonstrate the model’s outstanding ability to accurately detect and classify a wide range of drones in acoustically complex environments, while also maintaining low latency suitable for real-time applications. Moreover, the proposed multi-task model outperforms existing methods and proves to be a practical solution for deployment in resource-constrained audio surveillance systems. Despite achieving impressive accuracy about 99/55% in detection and 99/21% in classification, the model contains only 0/62 million trainable parameters (625542), making it highly suitable for integration into low-power, real-time environmental monitoring systems. | ||
| کلیدواژه‌ها [English] | ||
| Real-time Drone Detection, Acoustic Drone Classification, Signal Processing, Lightweight Neural Network, Drone Recognition in Complex Environments | ||
|
آمار تعداد مشاهده مقاله: 1 |
||