П.А. Куракин1, А.Н. Коротких2, А.С. Комогорцев3, В.С. Чернов4, А.Б. Герасимов5, В.В. Михайлов6

1–4,6 АО «Рыбинский завод приборостроения» (г. Рыбинск, Россия)

5 Ярославский государственный университет им. П.Г. Демидова (г. Ярославль, Россия)

1 yepseeke.kaps@yandex.ru, 2 ntc@rzp.su, 3 pribor@rzp.su, 4 vladchernov77@mail.ru, 5 gerasimov@uniyar.ac.ru, 6 ntc@rzp.su

Постановка проблемы. Обеспечение безопасности полетов беспилотных летательных аппаратов (БПЛА), а также предотвращение их противоправного использования требует выполнения мониторинга воздушного движения на достаточно больших расстояниях, в любое время суток, в том числе при выполнении полетов в режиме радиомолчания. Указанным требованиям наилучшим образом соответствует мониторинг с использованием радиолокационных станций (РЛС). При этом наряду с обнаружением и измерением параметров движения БПЛА требуется выполнять распознавание типа БПЛА для проведения сравнения с полетным заданием или для определения степени угрозы. Кроме того, наряду с БПЛА в процессе работы РЛС
могут обнаруживать летящих птиц, людей, средства автомобильного и водного транспорта. В связи с этим требуется выделять БПЛА из множества других обнаруживаемых объектов.

Цель. Обеспечить распознавание объектов, обнаруживаемых многофункциональной РЛС «Черемуха», и селекцию БПЛА на основе анализа микродоплеровской структуры эхо-сигналов с использованием сверточной нейронной сети.

Результаты. Удалось достигнуть хорошего качества обучения НС DenseNet 121 по распознаванию 8 классов объектов, включающих малые и крупные БПЛА мультироторного типа, на основе анализа микродоплеровской модуляции эхо-сигнала. Качество распознавания слабо зависит от длительности интервала построения мэл-спектрограмм. В многофункциональной РЛС «Черемуха» внедрен вариант нейронной сети, обученный при длительности интервала построения спектрограмм 0,2 с. Средняя точность (precision) распознавания БПЛА в данном варианте составила 0,7588, а полнота (recall) – 0,9545.

Практическая значимость. Результаты работы использованы в программном обеспечении управления многофункциональной РЛС «Черемуха» для выполнения селекции БПЛА и распознавания их типов.

Куракин П.А., Коротких А.Н., Комогорцев А.С., Чернов В.С., Герасимов А.Б., Михайлов В.В. Распознавание объектов на основе сверточной нейронной сети // Успехи современной радиоэлектроники. 2025. T. 79. № 10. С. 16–22. DOI: https://doi.org/10.18127/j20700784-202510-03

1. Molchanov P. et al. Classification of small UAVs and birds by micro-Doppler signatures // International Journal of Microwave and Wireless Technologies. 2014. Т. 6. № 3-4. С. 435–444.
2. Torvik B., Olsen K. E., Griffiths H. Classification of birds and UAVs based on radar polarimetry // IEEE geoscience and remote sensing letters. 2016. Т. 13. №. 9. С. 1305–1309.
3. Деркачев В.А., Бахчевников В.В., Бакуменко А.Н. Классификатор БПЛА мультироторного типа // Известия ЮФУ. Технические науки. 2023. № 2. С. 90–99.
4. Свердлов Б.Г., Игонин Д.М., Вылегжанин И.С., Кутина А.В., Пушков А.А. Радиолокационное распознавание БПЛА и орнитологических объектов (птиц) // Вестник воздушно-космической обороны. 2019. № 4. С. 41–50.
5. Mendis G. J., Wei J., Madanayake A. Deep learning cognitive radar for micro UAS detection and classification // 2017 Cognitive Communications for Aerospace Applications Workshop (CCAA). IEEE, 2017. С. 1–5.
6. Raval D. et al. Convolutional neural networks for classification of drones using radars // Drones. 2021. Т. 5. №. 4. С. 149.