А.И. Сукачев1, Р.С. Домрачев2, Е.А. Сукачева3

1-3 ФГОУ ВО «Воронежский государственный технический университет» (г. Воронеж, Россия)

1 mag.dip@yandex.ru; 2 ggromagg@list.ru; 3 elena_s_1331@mail.ru

Постановка проблемы. Широкое распространение беспилотных летательных аппаратов (БПЛА) обуславливает необходимость создания надежных систем обнаружения. Существующие на сегодняшний день радиолокационные и оптические методы обнаружения беспилотных летательных объектов обладают такими существенными недостатками, как высокая стоимость, зависимость от погодных условий и видимости, а также проблемы с детектированием малогабаритных дронов. Акустическое обнаружение представляет собой перспективную пассивную технологию, независящую от этих ограничений. Однако при создании точных акустических моделей разработчики сталкиваются с «хроническим дефицитом» размеченных данных о звуках БПЛА и наличием интенсивных фоновых шумов различной природы. Кроме того, имеет место эффект так называемого дисбаланса классов в тренировочных данных - если примеров с дронами значительно меньше, чем фоновых записей, то происходит смещение алгоритмов в сторону мажоритарного класса и их эффективность при обнаружении именно целевых объектов резко снижается.

Цель. Представить построенный на основе трансферного обучения нейросетевой подход к обнаружению БПЛА по акустическому сигналу, обеспечивающий высокую точность в условиях ограниченных данных и фоновых шумов.

Результаты. Предложен подход на основе трансферного обучения с предобученной моделью YAMNet. Для устранения дисбаланса классов использованы аугментация данных и взвешенная функция потерь. Выполнена оптимизация гиперпараметров методом поиска по сетке. Проведено экспериментальное исследование разработанного метода, результаты которого показали стабильный рост F1-меры, что подтверждает работоспособность модели в условиях с высокой шумовой обстановкой. Показано, что данное решение предназначено для интеграции в комплексы безопасности в качестве надежного пассивного канала обнаружения, особенно в условиях ограниченной видимости.

Практическая значимость. Результаты исследования могут быть использованы при проектировании систем обнаружения БПЛА акустическим методом.

Сукачев А.И., Домрачев Р.С., Сукачева Е.А. Нейросетевой подход к обнаружению акустических сигналов беспилотных летательных аппаратов на основе трансферного обучения // Радиотехника. 2026. Т. 90. № 4. С. 84–94. DOI: https://doi.org/10.18127/j00338486-202604-11

1. Мартынюк В.Д., Рыбников Д.А., Сукачев А.И., Сукачева Е.А. Программно-аппаратный комплекс обнаружения и иденти-фикации беспилотных летательных аппаратов // Вестник Воронежского гос. технич. ун-та. 2024. Т. 20. № 3. С. 97-102.  DOI: 10.36622/1729-6501.2024.20.3.014.
2. Basak H. et al. Development of an acoustic system for UAV detection // Sensors. 2020. V. 20. № 17. P. 5015. URL: https://doi.org/10.3390/s20175015.
3. Kundu S. et al. Acoustic based drone detection via machine learning // IEEE Access. 2022. V. 10. P. 9989229. URL: https://doi.org/10.1109/ACCESS.2022.9989229.
4. Transfer learning with YAMNet for environmental sound classification // TensorFlow. URL: https://www.tensorflow.org/tuto-rials/audio/transfer_learning_audio (дата обращения: 01.10.2025).
5. Sound classification with YAMNet // TensorFlow Hub. URL: https://www.tensorflow.org/hub/tutorials/yamnet (дата обращения: 01.10.2025).
6. Сhollet F. Deep Learning with Python. 2nd Edition. Manning Publications. 2021. 510 p.
7. Classification: Accuracy, recall, precision, and related metrics // Google Developers. URL: https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall (дата обращения: 02.10.2025).
8. Gemmeke J.F. Audio set: an ontology and human-labeled dataset for audio events // IEEE ICASSP. 2017. P. 776-780. URL: https://doi.org/10.1109/ICASSP.2017.7952261.
9. Howard A.G. et al. MobileNets: efficient convolutional neural networks for mobile vision applications. arXiv. 2017. arXiv:1704.04861. URL: https://arxiv.org/abs/1704.04861.
10. Roberts L. Understanding the mel spectrogram // Medium, Analytics Vidhya Section. 2020. URL: https://medium.com/analytics-vidhya/understanding-the-mel-spectrogram-fca2afa2ce53 (дата обращения: 30.09.2025).
11. McEdward. Data augmentation for audio // Medium Blog. URL: https://medium.com/@makcedward/data-augmentation-for-audio-76912b01fdf6 (дата обращения: 30.09.2025).
12. Pedregosa F. et al. Scikit-learn: machine learning in Python // Journal of Machine Learning Research. 2011. V. 12. P. 2825-2830.
13. How to improve class imbalance using class weights in ML? // Analytics Vidhya. 2020. URL: https://www.analytic-svidhya.com/blog/2020/10/improve-class-imbalance-class-weights/ (дата обращения: 01.10.2025).