ترکیب الگوریتم‌های مبتنی بر شناسایی الگو و یادگیری عمیق به منظور شناسایی خودکار کوادکوپترهای تجاری با استفاده از علائم صوتی دریافتی

استفاده از کوادکوپترهای تجاری یک فن‌اوری به سرعت در حال پیشرفت است که دارای کاربردهای بسیاری در بخش‌های خصوصی، تجاری و دولتی است. در حال حاضر، هیچ تضمینی برای تسهیل عملکرد ایمن این دستگاه‌ها در فضای جامعه وجود ندارد. در این مقاله، سه روش مختلف برای شناسایی خودکار کوادکوپترهای تجاری ارائه می‌شود. از بین سه فنّ ارائه شده، دو روش مبتنی بر شبکه‌های یادگیری عمیق است که در آن‌ها تمام مراحل استخراج ویژگی و طبقه‌بندی به‌صورت خودکار انجام می‌شود. روش‌های مبتنی بر یادگیری عمیق شامل شبکه‌های عصبی کانولوشن (سی‌اِن‌اِن)، شبکه‌های اِل‌اِس‌تی‌اِم و ترکیب آن‌ها است. روش سوم با استفاده از ضرایب کپسترال (به‌عنوان ویژگی) و ماشین‌های بردار پشتیبان (به‌عنوان طبقه‌بند) ارائه می‌شود. در این مقاله الگوریتم‌های مبتنی بر یادگیری عمیق از الگوهای طیفی منحصر به فرد کوادکوپترهای تجاری به‌منظور استخراج ویژگی استفاده می‌کنند. الگوهای طیفی با اعمال روش تبدیل فوریه کوتاه مدت روی داده‌های صوتی به‌دست می‌آیند. هم‌چنین، در روش سوم از ضرایب کپسترال و طبقه‌بند ماشین بردار پشتیبان به‌منظور شناسایی و دسته‌بندی علائم صوتی دریافتی استفاده می‌شود. عملکرد روش‌های مبتنی بر یادگیری عمیق و روش مبتنی بر ضرایب کپستروم با استفاده از مجموعه داده‌های صوتی ثبت‌شده از کوادکوپترهای تجاری مقایسه شده است. نتایج به‌دست آمده نشان می‌دهند که هر سه روش ارائه‌شده دارای عملکرد مناسبی در شناسایی کوادکوپترها هستند. با این حال، روش سی‌اِن‌اِن- اِل‌اِس‌تی‌اِم با فراهم نمودن میانگین دقت 95/31 درصد، میانگین حساسیت 96/24 درصد و میانگین اختصاصیت 95/61 درصد دارای بهترین عملکرد است. 

combining pattern recognition and deep-learning-based algorithms to automatically detect commercial quadcopters using audio signals

commercial quadcopters with many private, commercial, and public sector applications are a rapidly advancing technology. currently, there is no guarantee to facilitate the safe operation of these devices in the community. three different automatic commercial quadcopters identification methods are presented in this paper. among these three techniques, two are based on deep neural networks in which all the feature extraction and classification processes are performed automatically. deep learning-based methods include the convolutional neural network (cnn), ltsm networks, and a combination of those. the third method is presented using cepstral coefficients and support vector machines. in deep learning-based algorithms, the spectral patterns extracted from the commercial quadcopters’ sounds are used as input data. the spectral patterns are obtained by applying the short-time fourier transform method to the acoustic data. besides, the cepstral coefficients and the support vector machines are used in the third method to identify and classify the received acoustic signals. the performance of the deep learning and cepstrum coefficients-based methods are compared using the acoustic datasets recorded from the commercial quadcopters. the results show that all three presented methods have adequate performance in identifying the quadcopters. however, the lstm-cnn method had the best performance by providing an average accuracy of 95.31%, average sensitivity of 96.24%, and average specificity of 95.61%.