无人机(drone)的正式名称为无人飞行器(unmanned aerial vehicle)，它是一种不需要人驾驶的飞行器，主要通过遥控或内设的智能控件进行操控。该如何通过整合嵌入式系统，提供器具导航、自我平衡等功能并飞行到特定高度，同时还能和位于远端的使用者或机器交换信息，无人机就是一个最好的实例。

　　传统上来说，无人机常见于防御及科学方面的应用，像是深入偏远地区、监控、气象侦测或送货到条件恶劣的地区。近来由于低成本的微型低功耗嵌入式技术问世，无人机逐渐被运用在消费性应用。现在无人机已成为玩具、摄影辅助器材、送货载农药喷洒的工具等。

　　无人机吸引了各类人的浓厚兴趣，包括创新企业、学生、系统整合商、解决方案供应商、电商以及科技供应商。无人机可使人类的生活变得更好、更安全也更有效率。

　　感测器以低功耗网络连接技术出现重大进展，是近来无人机得以飞快成长的关键所在，而本文也将对此加以详细说明。

　　无人机的特性

　　无人机的动作必须非常精确，除了稳定，还要能到飞行到预期的高度并有效进行沟通。因此，一台最基本的无人机必须具备以下特性：

　　a) 稳定

　　无人机应该要稳定，不可无预警突然震动、摇晃或倾斜，否则就会失去平衡并坠毁。

　　b) 精确

　　无人机的动作要非常精确。至于动作可能指距离、速度、加速、方向与高度。

　　c) 能抵抗各种环境条件

　　无人机要能抵抗下雨、灰尘、高温等环境状况。而且不止外部材质，无人机内部所使用的电子零件也要如此。

　　d) 低功耗

　　无人机将会变得越来越轻，因此如何确保超低功耗以尽量缩小电池尺寸就显得尤为重要。低功耗技术的崛起，已使得无人机技术得以普及化。

　　e) 环境感知

　　环境传感技术逐渐崛起，成为无人机最关键的发展领域之一。现在的无人机都具备好几种传感器

　　以监测环境。收集到的资料可用在各种应用，例如气象监测、农业等用途。

　　f) 联网功能

　　联网功能是无人机崛起并广为市场接受的重要因素。无人机可通过简单的智能手机、遥控器或直接通过云端加以控制。应根据不同使用案例，提供适合的联网功能解决方案。有的无人机会采用多种联网功能解决方案，以满足多用途使用案例的需求。

　　传感器

　　在无人机里所扮演的角色核心传感器这些传感器

　　位于无人机的核心位置，可确保装置功能与导航正常运作。 这些传感器包括加速度计、陀螺仪、磁罗盘与气压传感器。

　　加速度计

　　加速度计是用来提供无人机在XYZ三轴方向所承受的加速力。它也能决定无人机在静止状态时的倾斜角度。 当无人机呈现水平静止状态，X轴与Y轴为0克输出，而Z轴则为1克输出。 地球上所有对象所承受的重力均为1克。若要无人机X轴旋转90度，那么就在X轴与Z轴施以0克输出，Y轴则施以1克输出。倾斜时，XYZ轴均施以0到1克之间的输出。相关数值便可应用于三角公式，让无人机达到特定倾斜角度。

　　加速度计同时也用来提供水平及垂直方向的线性加速。相关数据可做为计算速率、方向，甚至是无人机高度的变化率。 加速度计还可以用来监测无人机所承受的震动。

　　对于任何一款无人机来说，加速度计都是一个非常重要的传感器

　　，因为即使无人机处于静止状态，都要靠它提供关键输入。

　　陀螺仪

　　陀螺仪传感器

　　能监测三轴的角速度，因此可监测出俯仰(pitch)、翻滚(roll)和偏摆(yaw)时角度的变化率。即使是一般飞行器，陀螺仪都是相当重要的传感器

　　。角度信息的变化能用来维持无人机稳定并防止晃动。由陀螺仪所提供的信息将汇入马达控制驱动器，通过动态控制马达速度，并提供马达稳定度。 陀螺仪还能确保无人机根据用户控制装置所设定的角度旋转。

　　意法半导体新推出的创新技术LSM6DSM，是一款结合加速度计与陀螺仪的惯性测量装置(IMU)。它还能提供两项独立的陀螺仪输出——这种特色能用于飞行控制，同时当无人机配备摄影机的时候，也可用来稳定摄影机(OIS光学影像稳定/EIS电子影像稳定功能)。

　　磁罗盘

　　正如名称所示，磁罗盘能为无人机提供方向感。它能提供装置在XYZ各轴向所承受磁场的数据。接着相关数据会汇入微控制器的运算法，以提供磁北极相关的航向角，然后就能用这些信息来侦测地理方位。

　　为了算出正确方向，磁性数据还需要加速度计提供倾斜角度数据以补强信息。有了倾斜数据加上磁性数据，就能计算出正确方位。

　　磁罗盘对于硬铁、软铁或运转角度都非常敏感。所谓硬铁是指传感器

　　附近的坚硬、永久性铁磁性物质。 它能使罗盘读数产生永久性偏移。 软铁则是指附近有弱铁磁性物质，电路走线等。 它能让传感器

　　读数产生可变动移位。因此它也需要磁性传感器

　　校正算法，以过滤掉这些异常状况。 这时候最重要的是让用户不必费力，运算法就能快速进行校正。除了方向的感测，磁性传感器

　　也可以用来侦测四周的磁性与含铁金属，例如电极、电线、车辆、其他无人机等等，以避免事故发生。

　　气压计

　　气压计运作的原理，就是利用大气压力换算出高度。 压力传感器

　　能侦测地球的大气压力。 由气压计所提供的数据能协助无人机导航，上升到所需的高度。准确估计上升与下降速度，对无人机飞行控制来说相当重要。意法半导体已推出LPS22HD压力传感器

　　，数据速率达200Hz可满足预测高度时的需求。无人机传感器

　　的重要特点无人机很容易受到极端状况的影响，包括震动、噪音与环境。无人机里所使用的传感器

　　应该具备高度防震功能，撷取的噪音越少越好，而且速度够快能吸收所有震动。不可以因为温度、湿度等环境参数的变化就影响效能。 最后它还要耗电超低，以提供更高的电池续航力。

　　运算法所扮演的角色

　　要将原始的传感器

　　数据转换成有意义的使用案例，软件数据库扮演了相当重要的角色。 算法可扩大传感器功能，使其超越原本已知范围。运算法还能结合来自不同传感器

　　的输入，产生具备情境感知特色的输出。加速度计、陀螺仪与磁罗盘这三种动作传感器各有不同优缺点。传感器

　　的限制包括校正不够完美，也会因为时间、温度与随机噪音而产生漂移。 磁力计与加速度计容易失真，陀螺仪则是原本就会出现漂移现象。 我们可利用传感器

　　融合数据库来相互校正这些传感器

　　，以打造在所有情境下都能得到正确结果的条件。 它不只能提供校正过的传感器

　　输出，还有角度与航向角的信息，以及四元数角度。特定应用传感器

　　这类传感器

　　并不影响无人机的核心功能运作，但越来越常被用在无人机上，以提供各种不同应用，例如气候监测、农耕用途等。湿度传感器

　　湿度传感器

　　能监测湿度参数，相关数据则可应用在气象站、凝结高度监测、空气密度监测与气体传感器

　　测量结果的修正。意法半导体已推出HTS221湿度传感器

　　，其中包含一个感测组件和一个模拟前端，可透过数字串行接口提供测量信息。 这个感测组件包含了一个高分子介电质平面晶体管结构，能监测相对湿度的变化。

　　MEMS麦克风

　　MEMS麦克风是一种能将声音频号转换为电子讯号的音频传感器

　　。 MEMS麦克风正逐渐取代传统麦克风，因为它们能提供更高的讯噪比(SNR)、更小的外型尺寸、更好的射频抗扰性，面对震动时也更加稳健。 这类传感器

　　可用在无人机的影片拍摄、监控、间谍行动等应用。

　　无人机的联网功能

　　无人机有各种不同的联网技术选项可考虑。 低功耗蓝牙(BLE)与Wi-Fi多半用于智能手机联网，Sub-1GHz则是用在远程控制器，能提供更远距离的联网功能。

　　下图列举了不同种技术在有效距离与能耗方面的差异。 接下来我们将进一步讨论BLE、RF sub-1GHz 以及Sigfox等低功率技术。

　　Bluetooth Smart低功耗蓝牙技术(BLE)

　　Bluetooth Smart又称为低功耗蓝牙(Bluetooth Low Energy，BLE)，能提供无人机低功耗的联网功能。 这种技术适合低阶机种，特别是玩具无人机。 它能让无人机和做为控制装置的智能手机、平板、手提电脑或专用远程控制器进行双向通讯。低功耗蓝牙能让无人机具备绝佳的电池续航力，这是使用Wi-Fi、传统蓝牙(Classical Bluetooth)等传统无线技术所不可能达到的。

　　低功耗蓝牙使用的是2.4GHz免费授权ISM频段。相关标准由蓝牙技术联盟(Bluetooth SIG)负责管理，并支持各大智能手机品牌。

　　低功耗蓝牙装置有两种主要做法：

　　a. 网络处理器

　　网络处理器是一种执行低功耗蓝牙通讯协议的低功耗蓝牙装置，其中包含控制器、主控组件与堆栈。但它需要一个独立的微控制器，才能搭配执行低功耗蓝牙配置文件和应用程序的主要微控制器并顺利运作。它也是一套独立的平台，能提供更大的弹性空间，让用户选择最适合的微控制器或操作系统。 BlueNRG-MS是意法半导体所推出的网络处理器，可支持BLE 4.1规范。这款IC能同时担任主控(master)与从属(slave)，如此一来远程摇控器就能做为智能手机的从属装置，同时也是无人机的主控装置。

　　b. 系统芯片(SoC)

　　系统芯片是一种独立的芯片组，包含控制器、主控组件、堆栈配置文件和应用程序。 意法半导体的BlueNRG-1是一款通过BLE 4.2认证的系统单芯片，其中包含15个GPIO、I2C、SPI、UART、PWM、PDM以及160kb的RAM。因为支持BLE 4.2规范，这种IC还能提供先进的安全与隐私功能。

　　RF sub-1GHz

　　正如名称所显示，RF sub-1GHz是利用低于1GHz的频率传送讯号。 每个国家所定义的频率不同，免费提供做为工业或科学研究用途。

　　以下为各国所提供的免费频段：

　　• North America : 315, 433, 915Mhz

　　• Europe : 433, 868Mhz

　　• India : 433, 865-867Mhz

　　• 北美：315, 433, 915Mhz

　　• 欧洲：433, 868Mhz

　　• 印度：433, 865-867Mhz

　　sub-1GHz频率的好处是这些频段相对较为安静、距离较长且电流消耗量极低。 缺点是无法直接提供智能手机联机功能，而且并不是每个地方都能使用。

　　Sigfox是采用sub-1GHz频率的一种订阅制低功耗广域网(LPWAN)服务。 Sigfox能直接链接电信基础架构，然后转接上云端。 它的连网功能有效范围可达数公里之远。 用在无人机时，Sigfox可追踪并将传感器

　　数据传送到云端。它是一种直接链接电信基础架构的低数据率技术，因此一般预料将无法取代可以直接进行控制的联网选项，例如低功耗蓝牙，还有RF sub-1GHz直接点对点联机。

　　意法半导体最近推出了RF sub-1GHz与Sigfox收发器S2-LP。这款产品能在430-470 MHz以及860-940 MHz频段进行通讯。输出功率最高达+16dbm，灵敏度最低到-130dbm。这款超低电流IC可用于点对点联机，在无人机与远程摇控器之间建立链接。这款产品还通过Sigfox认证，经过设定即可让无人机直接连上Sigfox网络。

　　开发平台

　　无人机等新兴应用程序的崛起，主要是由创新企业与年轻一代的工程师所带动。此外因为市场演化速度加快，成功的机率绝大部分取决于花费的时间与成本。因此，一个价格合理、弹性、生产就绪且可随时扩充的开放原始码平台环境，就显得非常重要。

　　意法半导体已推出STM32开放式开发环境平台，让设计人员可以利用意法半导体的微控制器、传感器

　　、射频与模拟产品，以非常具有弹性且价格合理的方式开发产品。这个硬件平台还提供搭配的软件驱动程序、中间件函式库与应用程序，还有相关的Android与iOS程序代码。

　　用户也可以透过一份简单的计算机授权协议，存取各种先进数据库。一旦经过平台测试，设计人员就能开发自己专用的印刷电路板，并加载他们在平台上开发的固件。用户只有在想要测试专用电路板时，才必须签署数据库的生产授权。

　　SensorTile

　　SensorTile是一种方形的微型化设计平台，其中包含远程感测及测量动作、环境与声学参数所需要的一切组件。开发人员能即刻专注于无人机的空气动力学、马达控制与物理设计，而不必担心联网功能与传感器

　　整合。

　　结论

　　无人机是近年来最重要的创新技术之一。随着低功耗传感器

　　与联网技术的问世，现在的无人机已可广泛应用于各种消费性及工业应用。无人机为开发人员及创新企业提供了新的商机，解决一些过去被认为是不实际或过于昂贵的复杂问题。意法半导体深信无人机是一个值得关注的重要市场，将持续致力于相关领域产品的开发。

　　无人机的广泛运用，在给人们带来便利的同时，也引发了不良影响。比如，无人机飞入禁飞区引发安全问题，由于不正当的使用侵犯公民的隐私等，因此需要构建一个无人机警察系统，对无人机实施监控，遏制乱飞现象。采用传统的识别方法，灵活性不足，精度也不够高。为此提出一种基于深度学习的无人机识别算法，通过训练一个基于卷积神经网络(CNNs)的学习网络，得出一个高效的识别模型，实现无人机和非无人机间的分类。模型的测试结果表明，该方法具有较高的识别率。

　　中图分类号： TN91

　　文献标识码： A

　　DOI：10.16157/j.issn.0258-7998.2017.07.022

　　中文引用格式： 蒋兆军，成孝刚，彭雅琴，等. 基于深度学习的无人机识别算法研究[J].电子技术应用，2017，43(7)：84-87.

　　英文引用格式： Jiang Zhaojun，Cheng Xiaogang，Peng Yaqin，et al. A novel UAV recognition algorithm based on deep learning approach[J].Application of Electronic Technique，2017，43(7)：84-87.

　　0 引言

　　无人机技术的发展十分迅速。从美军无人机的使用，到现在无人机在研究、民用等多方面的普及，无人机已成为一种新的潮流[1-2]。随之而来也带来很多新问题，此前无人机险撞战机事件的发生，就给人们敲响了警钟。因此，无人机警察系统的搭建势在必行。本文的研究重点为：建立视觉传感网，用于无人机的图像捕捉和信息存储;引入深度学习对无人机进行识别，及时发现“黑飞无人机”，并采取相应报警措施，实现对无人机的全面监管。

　　1 视觉传感网

　　整个视觉传感网(Visual Sensor Networks，VSNs)由多个节点组成，每个节点都将由摄像机阵列构成，这将作为整个系统的基础部分[3]，如图1。

　　城市环境下一个节点的安置示意图如图2。

　　为了减轻对居民的干扰，可以修改摄像机焦距参数，从而限制摄像机的拍摄范围。通过多台摄像机交叉覆盖，成功地将中间的空地区域全方位地纳入监控之中。

　　考虑到多节点所提供的庞大数据量以及优化控制结构的需要，将数据网络设计成三层结构。位于最底层的第三层由数量不等的节点构成一系列簇组成，每个簇内的节点统一将数据发往一台次级处理服务器。整个网络内的次级处理服务器构成网络的第二层，将数据送往位于第一层的中央高级服务器。

　　2 基于深度学习的图像识别中心

　　无人机警察系统中关键组成是图像识别中心，其任务是将视觉传感网中的图像信息进行分析和处理，从图像中识别出无人机，从而实现对无人机的监控，属于目标识别领域。目前这一领域已经有了大量的优秀成果出现。最常见有行人检测问题，可用的特征包括：Haar、HOG、CSS、LBP等多种，这些特征表达了人体的各个重要部分，并且充分考虑了遮挡等情形。王晓刚和欧阳万里更提出了基于深度学习的行人检测手段，通过联合学习行人检测中的4个重要组成部分——特征提取、人体部件形变处理、遮挡处理和分类，最大化了各自的作用[4]。他们在传统的卷积神经网络的基础上，加入了形变处理层，最终习得的特征具有很强的判别力，优于HOG等特征。王晓刚团队的方案，是深度学习在目标识别领域的成功应用，给本文的研究提供了研究参考。再比如人脸识别问题[5-6]，则具有更复杂的变化，因为人脸受种族、肤色、表情、情绪、光照环境、物体遮挡等众多因素的影响。推广到各种特定物体的识别乃至场景识别、深度学习也有很多方案[7]。由于无人机警察系统中图片信息量丰富，且无人机的飞行状态多样，因此识别难度较大。为此，本文将引入深度学习算法，并以卷积神经网络作为图像识别中心。

　　2.1 卷积神经网络

　　2006年，Hinton等人首次提出深度学习的概念[8]，并开启了深度学习的研究浪潮，其认为：多隐层的人工神经网络能够更好地模拟人脑的思考过程，具有更加优异的学习能力，能够对数据进行更本质的刻画，从而提高可视化或者分类的能力。

　　卷积神经网络是深度学习中第一个真正多层结构学习算法，其在图像识别领域优势明显。它利用感受野、局部连接等概念极大地减少了参数量，降低了网络模型的复杂度，提高了训练效率，且网络对于平移、缩放的各种变形都具备高度不变性。

　　卷积神经网络属于前馈多层神经网络的一种，每层由多个二维平面组成，多个神经元组成了每个平面，其结构如图3所示。

　　卷积神经网络利用了一系列的卷积层，降采样层构建了多层网络，来模拟人脑感知视觉信号的逐层处理机制，从而提取图像的多层次特征。

　　通过加入卷积层，可以实现局部连接网络，有效减少了需要训练的网络参数。例如，对一张大的图片输入，其尺寸为r×c，随机采样为a×b的小图片，如果隐含节点为k个，那么最终学习到的特征数为：

　　池化层是为了解决网络输出维数过大、造成分类器难以设计的问题。同样是根据统计结果的相似性原理，池化操作对卷积得到的结果进行统计计算，减少了需要训练的系统参数。

　　权值更新采用BP反向传播算法。反向传播的误差可看做每个神经元的基的灵敏度(即误差E对基b变化率的偏导函数)，然后利用以下关系式：

　　最后的分类应用了Logistic Regression扩展的一种多分类器：Softmax Regression。其系统方程及系统损失函数分别为：

　　2.2 基于深度学习的无人机识别流程

　　由于视觉传感网获得的一系列图像中，关注的对象可能只占其中的一小部分像素区域，又由于对象具有运动性，故在识别中心操作之前将采取帧差法提取感兴趣的对象，作为算法的正式输入[10-11]。二帧差法基本原理如下：

　　其中i(t)、i(t-1)分别为t、t-1时刻对应像素点的像素值，T为阈值。

　　基于深度学习卷积神经网络的无人机识别流程如下所示。

　　步骤一：数据预处理

　　(1)帧差法提取目标区域;

　　(2)数据格式转换;

　　(3)预定义标签;

　　步骤二：深度网络训练、测试

　　(1)构建卷积神经网络，确定网络层次结构和权重参数等;

　　(2)数据依次进入卷积层、池化层、全连接层，进行计算;

　　(3)采用Backpropagation Pass反向传播，进行参数调整;

　　(4)当误差满足或者迭代次数满足时，网络停止训练，进入Accuracy层计算准确率并输出(只在测试阶段执行，训练时不执行)。

　　3 识别性能与结果分析

　　首先构建了视觉传感网，设置了2个节点，目前系统仅限于白天工作。

　　输入2 848张图片进行训练，基础学习率设置为0.001，迭代5 000次后获得的模型用于之后的测试分析。测试时输入712张图片，模型正确分类的情形共有634例，可得：

　　由于目前无人机识别方面没有其他现成的模型可供比较，因此本文分析了ROC曲线参数。在信号检测理论中，接收者操作特征(Receiver Operating Characteristic，ROC)是一种对灵敏度进行描述的功能图像，该图像称为ROC曲线。应用ROC曲线来表示分类器的性能非常直观。同时为了定量且简洁地表达这种性能，Area Under roc Curve(AUC)被提出。AUC的值等于ROC曲线正下方的面积，AUC的数值越大，分类器的性能越好。图4表示的是与ROC曲线绘制相关的一些量，依次为TP(True Positive)、FP(False Positive)、FN(False Negative)、TN(True Negative)。

　　在随机分类模型，对于任一样本输入，模型对其的预测score是完全随机的，假设预测score落在区间[0，1]上，则预测概率数学表达为：

　　因此本文的ROC曲线图结果如图5所示。图中整个曲线越向点(0，1)逼近，模型的性能就越好。

　　4 结论

　　本文较好地将深度学习的方法应用到了无人机警察系统这个新颖的概念上，对无人机的识别率比较高。在网络结构的设计上，可能存在冗余，导致模型收敛速度不够快，训练效率有所损失。后期将继续对网络结构的进行研究，希望能够进一步提高模型的质量，并使其具有更广的适应性。