Acoustic tracking and countering interception device, system and method for invading unmanned aerial vehicle

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例突破常规“反无人机技术”单纯用设备实现拦截的目的，本发明提出一种全方位立体化声学定位与深度拦截入侵无人机方法，提出全方位、立体化深度拦截电子侦测入侵无人机的新方法，从多个维度实现对入侵无人机的识别、定位、跟踪和反制拦截，可有效实现全天候探测识别定位追踪入侵无人机，达到最终驱离或者迫降入侵无人机的目的。从根本上改变了目前使用“反无人机技术”费时费力且效果不理想的状态，该研究思路是本发明的创新之处。

为满足全方位立体式声学定位与深度拦截入侵无人机的需要，提出基于深度学习的远距离、快速移动状态下小目标识别技术，获取入侵无人机信号的机理特征，设计了双系统麦克风阵列的无人机声学定位系统，结合ODAS开放嵌入式系统，构建三维空间立体动态数学模型，搭建双电机多维度灵活定向跟踪伺服控制系统，提高了系统的针对性和运行效率，更符合实际应用的要求，更好地体现出对入侵无人机声学定位与深度反制拦截技术应用的创新性。

针对无人机反制需求，本发明设计了一种入侵无人机声学追踪与反制拦截系统。本系统对目标空域内的入侵无人机进行识别、预警、声学定位、云台跟踪，舵机平台能够对入侵无人机进行实时瞄准、反制和拦截。

首先，计算机通过云台摄像头获取目标空域内的实时图像，对所获图像信息进行分析处理，实现对入侵无人机的识别。采用深度学习算法对入侵无人机进行预识别，先框定运动目标，将其所在位置作为需要进一步处理的子区域，然后对该区域内像素信息进行特征提取。在子区域中，当入侵无人机目标被成功识别后，为了获取无人机的坐标信息，本发明采用机器学习识别跟踪算法对该目标进行实时追踪。

其次，设计了双系统麦克风阵列的无人机声学定位系统对目标无人机进行实时的声学定位，基于TDOA算法，结合ODAS开放嵌入式系统，构建三维空间立体动态数学模型，将入侵无人机航线轨迹直观显示在空间坐标系中，同时传输给视觉云台舵机进行全天候同步跟踪。

接着，加入了智能预警播报模块，当检测到目标空域内有无人机入侵时，本系统设备分别采用声、光报警两种方式发出警报。当系统正常运行时，指示灯为绿灯，若发现入侵无人机后，指示灯变黄色，当启动反制拦截系统后，红灯闪烁，此时蜂鸣器报警，语音播报：“发现入侵无人机，智能反制拦截系统已启动”。

随后，舵机根据接收到的入侵无人机实时坐标信息，计算其与期望中心存在的偏差值，根据偏差进行PID控制，输出驱动信号，控制舵机旋转一定角度。随着控制舵机的旋转，其平台上的反制设备将会同步旋转，瞄准无人机，发射干扰电磁波，进行反制拦截。

最后，本发明采用近端、远端和移动端－－多端结合的控制方式，通过WiFi组网，实现多终端数据实时云共享。

通过深度学习算法，进行对目标领空内入侵移动物体的预识别，而后结合YOLO-v5算法，对入侵无人机进行目标图像检测。本发明采用了的五帧差分法，实现对无人机的实时识别，针对入侵无人机的标记精度不高、系统实时性差等问题，本发明采用YOLO-v5算法，在进行入侵无人机识别前，通过训练生成目标检测数据集，可实现对入侵无人机的运动实时的识别。同时加入了智能预警播报模块，当检测到无人机入侵时，分别采用声、光报警两种方式发出警报。

采用基于TDOA(Time Difference of Arrival)声学定位算法，设计了双系统的麦克风阵列的无人机声学定位系统，分别是：由ReSpeaker Mic Array v2.0麦克风阵列和ODAS开放嵌入式测试系统组成的子系统一，主要对入侵无人机的声源进行坐标定位与目标轨迹追踪；由MEMS MIC麦克风阵列和K210嵌入式平台组成的子系统二，主要作用是根据检测出的目标无人机声强图，判断其飞行位移姿态属性。将获取到的声源信息传输到PC端，通过连接多台树莓派，将位置信息送至云台控制端，达到全天候同步跟踪的目的。

本发明基于KCF跟踪算法和PID控制算法，实现对入侵无人机进行跟踪拦截。先使用KCF跟踪算法实现对入侵无人机的快速跟踪并通过socket通信输出位置信息至控制器，舵机根据接收到的坐标信息，计算其与期望中心存在的偏差值，而后根据偏差进行PID控制，输出驱动信号，控制舵机旋转一定角度。随着控制舵机旋转，其平台上的反制设备将会同步旋转，瞄准无人机，进行反制拦截干扰。采用跟随式干扰法，只干扰入侵无人机通信信号，能量集中并且功率小，对其他设备干扰小。

采用Socket协议实现树莓派和Python之间的信号传输，并且使用WIFI组网实现对组件的控制和远、近端和移动端的连接。专利使用Socket通信将来自控制单元的入侵无人机快速跟踪信号输出位置信息至舵机，实现对无标无人机的干扰；使用WIFI组网，实现多终端数据实时云共享，数据传输速度快，灵活性高，移动性强，易于扩展，方便快捷。

(5)针对多端控制问题，本发明设计了远端、近端和移动端控制相结合的方案。考虑到作品的使用场景问题，本发明适用于城市、森林和山区等现实场景的反制拦截需求。

(6)针对当前反无人机设备成本高、体积大的问题，本发明搭建了一种使用方便、控制灵活、低成本、高精度、一体化的入侵无人机声学追踪与反制拦截系统。

本发明通过五帧差分法，进行对目标领空内入侵移动物体的预识别，而后结合YOLO-v5算法，对入侵无人机进行目标图像检测。当训练样本量达到10000时，识别正确率为99.43％。五帧差分法识别+YOLOv5检测的方案，检测速度达25.32fps，而采用现有的HOG识别+线性SVM检测的处理速度为7.14fps，与现有的检测方法相比较，通过测试发现处理速度提升接近4倍。

本发明设计了双系统麦克风阵列的无人机声学定位系统对入侵目标无人机进行实时的定位，基于TDOA算法，结合ODAS开放嵌入式测试系统，构建三维空间立体动态数学模型，将飞行器航线轨迹直观显示在空间坐标系中。采用子系统一与子系统二相结合的方法，采用两种不同型号的麦克风阵列和两套不同的声学定位跟踪的方案，使系统功能更加全面、完善。与现有的单一的声源定位模型相比较，本发明对目标领空内入侵无人机的声源识别效率和跟踪精度提高了81.95％。

本发明将入侵无人机迫降精度控制在0.5米范围内；有效拦截距离最远可达1500米。拦截舵机平台旋转精度最小可精确到0.1度。该拦截装置可实现对入侵无人机定位、遥控、图传信号进行电磁波干扰。其中GPS频率干扰无人机导航定位信号，频率范围为1560-1580MHz；2.4G和5.8G频率主要干扰无人机遥控和图传信号，其干扰频率范围分别为：2400-2500MHz和5700-5800MHz。

本发明通过多树莓派进行数据传输，使用PID控制算法，实现对目标无人机进行跟踪拦截，采用跟随式干扰法，与现有的干扰方法相比较，能量更集中，对其他设备干扰小。

采用近端、远端和移动端相结合的方式，相比现有拦截装置的单一控制方式，本发明的应用场景广，可以满足不同场景、不同时间的布设要求，适用于城市、森林和山区等现实场景的反制拦截需求，并使用WiFi组网，实现多终端数据实时云共享。

本发明是针对目前入侵无人机大量使用导致的危险情况而提出的专门用于保护区域及人身安全而设计的入侵无人机反制拦截系统，具有很强的针对性。

本发明紧密结合国家经济建设以及地方经济发展对无人机开发、利用的战略需求而提出，所提出的无人机拦截新思路是基于民用无人机拦截市场空白及军用无人机拦截系统代价极高而提出的一种低成本的无人机拦截方法，满足国民经济建设和国防建设的需要。

为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

如图1所示，本发明实施例提供了一种用于入侵无人机的声学追踪与反制拦截装置，包括：

识别与检测模块，通过五帧差分法，进行对目标领空内入侵移动物体的预识别，而后结合YOLO-v5运动目标检测算法，对入侵无人机进行目标图像检测；

智能预警播报模块，当检测到无人机入侵时，分别采用声、光报警两种方式发出警报；

声学定位模块，包括基于麦克风阵列的声学定位双系统，采用基于TDOA声学定位算法得到定位结果；

视觉跟踪云台模块，用于将获取到的声源信息传输到PC端，结合KCF跟踪算法，并通过socket通信和WiFi通信，将输出位置信息发送至二维度微云台控制端，达到对目标领空内入侵无人机同步跟踪的目的；

舵机旋转控制模块，包括控制单元和驱动单元，使用树莓派四代利用控制单元对目标位置的计算，然后将计算结果输出到驱动单元，转化为舵机旋转信号，实现系统的旋转搜索，并基于PID进行舵机云台跟踪；

反制拦截干扰模块，通过发射高频电磁波信号，干扰无人机的遥控、GPS、图传等信号发送和接收，从而影响入侵无人机正常飞行，实现对入侵无人机的有效拦截；

多端协同云共享模块，采用近端、远端和移动端控制相结合的方式，通过WiFi组网，实现多终端数据实时云共享。

本发明搭建了一种使用方便、控制灵活、高精度、低成本的入侵无人机声学追踪与反制拦截系统设备，拦截效率高，并能够全天候运行。

进一步，所述识别与检测模块通过五帧差分法，进行对目标领空内入侵移动物体的预识别，而后结合YOLO-v5的运动目标检测算法，对入侵无人机进行目标图像检测。本系统采用了五帧差分法，实现对无人机的实时识别，针对入侵无人机的标记精度不高、系统实时性差等问题，本系统采用YOLO-v5运动目标检测算法，在进行入侵无人机识别前，通过训练生成目标检测数据集，可实现对入侵无人机的运动实时的检测。包括如下部分：

1、基于五帧差分法的目标识别

五帧差分法是对所截获到目标空域内入侵无人机的连续两帧图像序列采用基于像素的时间差分通过闭值化来提取图像中的运动区域。首先将连续两帧入侵无人机图像对应像素相减得到差分后的图像，接着进行二值化处理，在空域背景亮度变化很小的情况下，如果对应像素值变化小于已确定的既定阈值时，可以认为此处为目标空域的背景像素；如果所截获入侵无人机图像区域的目标像素值变化很大，已经超过一定阈值时，可以认为是由于目标领空图像中有移动物体所引起的，将这些图像区域标记为前景像素，利用标记的像素区域可以确定目标空域内入侵无人机的实时具体位置。

本发明采用五帧差分法，该帧差法是在三帧差分的基础上改进，使用三帧差分法进行无人机视频检测时，会出现一些的“空洞”现象和背景噪声，使用五帧差分法对无人机进行检测，一定程度上可以提高对无人机识别的准确率。

如图2所示，五帧差分法识别的基本流程图中，连续的五帧无人机图像f_t-2(x,y)，f_t-1(x,y)，f_t(x,y)，f_t+1(x,y)，f_t+2(x,y)，其中，f_t(x,y)为中间帧，首先将五帧无人机图像进行灰度化处理；然后采用中值滤波的方法对无人机灰度化图像进行去噪，无人机视频在传输的过程中因各种因素的影响，会含有大量I_t+1(x,y)的噪声，使用中值滤波法去除无人机灰度化图像中所包含的噪声，可以提高无人机的准确率和召回率。

去噪后的无人机图像为I_t-2(x,y)，I_t-1(x,y)，I_t(x,y)，和I_t+2(x,y)，I_t(x,y)为中间帧；接着进行差分操作，其差分公式如下公式1所示：

其中，D₁(x,y)为第一帧I_t-2(x,y)和中间帧I_t(x,y)的差分结果，D₂(x,y)为第二帧I_t-1(x,y)和中间帧I_t(x,y)差分结果，D₃(x,y)为第四帧I_t+1(x,y)和中间帧I_t(x,y)的差分结果，D₄(x,y)为第五帧I_t+2(x,y)和中间帧I_t(x,y)的差分结果。

把四张差分结果图做自适应二值化处理，如公式2所示：

阈值的选择对二值化无人机灰度图很重要，如果阈值选择得比较得比较高，检测出的无人机会出现严重碎化现象；如果阈值选择比较低，检测后的无人机图像含有大量的噪声。将五帧差分法中的固定阈值改为自适应阈值，可以按照无人机灰度图像的灰度特性，算出比较合适的阈值，把图像分成背景和入侵无人机。在自然环境下采集入侵无人机视频，用五帧差分法检测结果如图3所示。

2、基于YOLO-v5算法的目标检测

本发明采用YOLO-v5算法对入侵无人机的运动进行检测和跟踪。YOLO-v5的网络主要由三个部分组成，分别是CSPDarkNet网络结构、FPN网络结构和YOLO-v5 Head网络结构。

CSPDarkNet网络结构是YOLO-v5的主干特征提取网络，其输出为三个有效特征层。FPN网络结构是YOLO-v5的加强特征提取网络，其作用是将CSPDarkNet输出的三个不同尺度的有效特征层进行融合。YOLO-v5 Head网络结构是YOLO-v5的分类器和回归器，YOLO-v5Head通过FPN输出的三个特征图来判断特征点是否有物体与其对应，传统的YOLO Head是分类和回归在一个卷积里实现的，YOLO-v5 Head则将分类和回归分开实现，最后再整合在一起。如图4所示为YOLO-v5网络结构图。

YOLO-v5算法采用了无锚框机制来减少设计参数的数量，具体实现方式为：将每个位置的预测从3个减少到1个，并使他们直接预测4个值(即网格左上角的两个偏移量、预测框的高度和宽度)。同时指定了中心，每个物体的阳离子作为正样本，并预先定义一个刻度方位以指定每个物体的FPN级别，可以降低探测器的参数和GFLOPs，使其速度更快，性能更好。

基于多个正样本结构的YOLO-v5算法，参照FCOS中的‘中心取样’，只为每个对象的平均值选择了一个正样本(中心位置)，忽略其他高质量的预测。该方式优点是有利于梯度回归与缓解训练中的正负样本不均衡情况。

在本发明中，首先基于YOLO-v5的检测原理进行一个无人机数据集的制作，采用的无人机数据集格式通常为VOC格式，利用YOLO-v5目标检测模型对已经制作成功的无人机数据集进行训练。经过对多组无人机数据集的训练，同时对不同场景下数据集的训练可知，数据集训练所用的样本越多，识别正确率越高，当训练样本量达到10000时，识别正确率为99.43％。在训练结果中选择检测精度与准确度最优的训练模型，如图5所示为YOLO-v5训练目标检测数据集。

在本识别与检测系统中的网络输入端，基于改进的YOLO-v5算法主要采用了Mosaic、Mixup两种数据增强方法，通过采用这两种数据增强的方法，直接将传统的YOLO v3baseline性能提升了2.4个百分点，对目标领空内入侵无人机的检测效率与识别精度有大幅提升。

将选择好的训练模型按照单张图片－视频－摄像头的顺序进行测试，并将五帧差分法+YOLO-v5检测识别算法与传统的HOG+线性SVM检测识别算法做对比，通过对同样的视频进行处理分析，计算比较两方案检测入侵无人机目标期间的平均处理速度，结果如表1对比结果所示。

实验结果表明，利用五帧差分法+YOLO-v5检测识别算法的性能优于传统的HOG+线性SVM检测识别算法的性能，处理速度提升接近4倍，达到25.32fps，满足本系统实时性的要求。

在用于入侵无人机的声学追踪与反制拦截系统中，使用五帧差分法与YOLO-v5算法互补的原则来实现对入侵无人机高精度、高识别率、高准确率的检测与识别。如图6、图7所示，通过高清USB摄像头，检测到目标领空内出现入侵无人机后，实时传输到PC端显示界面。

本发明设计了智能预警播报模块，当检测到无人机入侵时，分别采用声、光报警两种方式发出警报。预警播报模块包括预警灯、预警灯带、蜂鸣器和语言播报，通过树莓派与整个系统进行连接。其中一个树莓派控制预警灯和蜂鸣器，另一个树莓派控制预警灯带和语音播报装置。

如图8所示，智能预警播报模块具体包括：

(1)预警灯

预警灯有三种颜色，分别为绿灯、黄灯和红灯，通过树莓派去控制三种灯的亮灭。由于要分别控制着三种灯，从而加入继电器。设计引入8路24引脚继电器，用8路继电器中的某三个继电器来分别控制着三种灯，结合树莓派，可以有效控制三种灯的亮灭以及时间长短。通过变压器，将220V电压变换为5V电压，给预警灯进行供电。在树莓派上进行编程，对预警灯的三种颜色分别进行控制，控制亮灭和响应时间。

当前系统处于巡检待机状态时，绿灯长亮，表示检测区域没有发现入侵无人机。当黄灯闪烁时，表示检测区域发现入侵无人机，预警检测人员注意，准备发射拦截信号进行反制拦截无人机。当红灯亮起，表示已发射拦截信号，入侵无人机已经被成功反制。使用8路24引脚继电器，采用贴片光耦隔离，驱动能力强性能稳定。

(2)预警灯带

预警灯带有三种颜色，分别为绿、黄和红灯，通过树莓派与整体系统连接。同时，用树莓派控制三种灯带随三色灯预警灯同步变化。

当绿色灯带闪烁的时候，表示整个系统处于待机的状态，检测曲线没有发现无人机。当黄色灯带闪烁的时候，表示检测区域发现入侵无人机。

(3)预警蜂鸣器

预警蜂鸣器和预警灯通过一个树莓派控制。通过树莓派控制继电器从而控制蜂鸣器工作，同时通过多个树莓派控制与整个系统连接。蜂鸣器工作并不是一直工作，而是断断续续响。使用8路24引脚继电器，当继电器的指示灯亮红灯时，说明继电器已经接通，随之蜂鸣器工作。当蜂鸣器响时表示，系统已经发射拦截无人机信号，入侵无人机已被成功拦截。

(4)语音播报

语音播报和预警灯带通过同一个树莓派控制，同时，与整个智能拦截系统连接。当目标检测领空区域内发现入侵无人机时，反制拦截系统启动，红灯快闪，红灯带闪烁，蜂鸣器报警，扬声器播报：“发现入侵无人机，智能反制拦截系统已启动”。

当系统处于巡检待机状态，实时检测目标领空是否有入侵无人机时，绿灯长亮，绿灯带长亮。当系统发现入侵无人机飞入目标领空内时，黄灯闪烁，黄灯带闪烁。当启动反制拦截系统后，红灯快闪，红灯带快闪，蜂鸣器报警，扬声器播报：“发现入侵无人机，智能反制拦截系统已启动”。无人机反制设备随舵机平台联动，以实现实时跟踪瞄准无人机，并对无人机发射干扰信号，实现对入侵无人机的反制拦截。

进一步，所述声学定位模块包括：

1、基于TDOA(Time Difference of Arrival)声学定位算法

本发明基于到达时间差(Time Difference of Arrival,TDOA)的声学定位算法，充分利用冗余TDOA信息，并针对牛顿迭代解初值估计问题，构造多组维数较小的线性方程组，避免了原始模型中非线性和稀疏性的问题；然后利用聚类算法剔除线性方程求解过程中的异常点，并将初值估计值代入迭代解得到定位结果。为了处理方便、减小计算量、提高精确度和加强代表性，本系统将声源信号表示为如图9所示的简化模型，中心位置为传感器采集装置，四周为入侵无人机声源的位置分布。

本发明先分别在空间坐标中放置三个声源信号源进行采样(方位角：30°、50°、70°；俯仰角：20°、40°、60°)，信噪比均设定为10dB，MATLAB仿真实验结果图如图10所示。通过仿真模拟，可以根据基于TDOA(Time Difference of Arrival)声学定位算法的谱峰搜索原理，来寻找出三维空间坐标中3个“波峰”的位置，以及谱峰分别所对应的方位角和俯仰角的信息。如图11所示，可以明显地检测出来3个声源的位置信息，分别对应DOA角度约为：方位角(30°、50°、70°)；俯仰角(20°、40°、60°)，与实际声源信号位置完全相符。

2、基于麦克风阵列的声学定位双系统结构

基于麦克风阵列的无人机声学定位双系统主要由两个子系统构成，子系统一是由ReSpeaker Mic Array v2.0麦克风阵列和ODAS开放嵌入式测试系统组成，主要对入侵无人机的声源进行坐标定位与目标轨迹追踪；子系统二是由MEMS MIC麦克风阵列和K210嵌入式平台组成，主要作用是根据检测出的目标无人机声强图，判断其飞行位移姿态属性。

(1)子系统一

ReSpeaker Mic Array v2.0麦克风阵列基于XMOS的XVF-3000智能麦克风开发的。该板集成了4个PDM麦克风，集成了先进的DSP算法，包括声学回声消除(AEC)、波束成形(BeamForming)、去混响、噪声抑制和增益控制等。

ODAS是一个声学定位系统，用于在麦克风阵列上识别、分离不同的声源并加以追踪。该模型的理论实现主要分为两个部分：SSL和SST，前者用于分离不同的声源，后者对声源进行追踪和过滤。

ODAS分为两个模块：ODAS核心系统(odas live)和ODAS图形演示系统(odas web)。这两个系统通过TCP通信，即它们之间可以远程工作。树莓派上运行的ODAS图形演示系统比较吃CPU资源，因此本系统把odas web放到了windows上安装运行，将odas live核心系统安装到树莓派上的Linux系统上运行，然后通过WiFi局域网让树莓派把数据发到windows上的odas web图形演示界面端，对目标声源进行实时定位与轨迹追踪。

将ReSpeaker Mic Array v2.0麦克风阵列采集到的入侵无人机实时声源信息，传输到在树莓派上运行的odas live系统上，结合odas web开放嵌入式测试系统，构建三维立体的动态数学模型，将入侵无人机的声源信息直观显示在空间坐标系中，进行位置定位与目标轨迹追踪。如图12、13所示，三维立体空间中，移动的绿色大球代表着入侵无人机声源的实时位置与飞行轨迹，其余蓝色小球表示为无人机多旋翼旋转带来的噪声源干扰；两个曲线图代表着入侵无人机的声源在X、Y轴水平面方向上的方位角和Z轴方向上的俯仰角。

(2)子系统二

MEMS MIC麦克风阵列由7个数字麦克风组成，其中6个分布在四周不同方向，1个在模块正中央，便于识别各个方向声源。另外12个LED指示灯，方便指示声源位置。通过python编程可实现将检测到的声源信息，实时显示在LCD屏幕中，根据声源的声强图，可判断该入侵无人机飞行位移与姿态属性。

本发明通过将子系统一与子系统二相结合的方法，如图14所示，采用两种不同型号的双系统麦克风阵列和两套不同的声源定位跟踪的方案，使系统功能更加全面、完善，与传统单一的声源定位模型相比较，本系统对目标领空内入侵无人机的声源识别效率和跟踪精度提高了81.95％，为接下来的反制拦截做好准备。

如图15所示，所述视觉跟踪云台模块采用的二维度微云台是可以实现360度检测的图像设备，传统的摄像头只能实现水平或竖直方向的转动，在对运动物体检测时容易产生监控死角，留有安全隐患和漏洞。本发明则使用了二维度的云台摄像头，转动速度快，满足快速捕捉无人机的应用场合；转动角度广，满足全方位监控的应用要求。同时，相比于传统的摄像头，云台平衡性和稳定性优越，在实际应用中能够更加快速、稳定、准确的捕捉快速飞行的入侵无人机的航线轨迹。

进一步，所述舵机旋转控制模块包括：

1、树莓派控制装置

舵机旋转控制装置主要由控制单元和驱动单元组成，本系统使用到两块Raspberry Pi 4B，即树莓派四代，实现对目标位置的计算；然后将计算结果输出到电机驱动单元，转化为舵机旋转信号，实现系统的旋转搜索。

树莓派使用控制算法对目标位置进行处理，计算目标无人机与期望中心存在的偏差值，而后根据偏差进行PID控制，输出驱动信号，使控制舵机旋转一定角度。接收控制单元输出的PWM信号，驱动舵机旋转相应的角度，进而联动舵机平台上的反制设备，完成入侵目标地对准，为无人机成功拦截提供有效保障。

2、基于PID舵机跟踪装置

为了使干扰设备瞄准无人机、发射干扰信号，设计了基于PID的舵机云台跟踪算法。干扰设备能否对准无人机是能否成功拦截无人机的决定性因素，因此将YOLO-v5算法输出的无人机实时坐标与画面中心的距离作为偏差信号，利用此偏差信号进行PID控制，实现舵机旋转，以使无人机目标位于画面中央附近，从而实现反制设备对无人机目标的瞄准。在瞄准精度处于一个合理的范围后，便发射电磁波干扰信号实现无人机的反制，PID控制舵机系统如图16所示。

首先，控制系统从声源定位跟踪模块获取无人机目标实时的横坐标值，设定期望坐标值为图像中心横坐标，即图像宽度的一半。其次，根据获取到的坐标值与期望值可得到偏差距离，PID控制器将根据送入的偏差信息计算输出占空比。最后，将占空比输入至电机的控制单元，使得电机旋转至对应的角度。在入侵无人机偏离画面中心的过程中，始终执行上述控制程序，直至无人机当前坐标值与期望值的偏差处于规定的合理区间内。至此舵机停止转动，入侵无人机目标位于画面中心附近，干扰装置也已瞄准无人机。

本发明作为一种反无人机拦截装置，表面涂有一层绿色迷彩涂层，具有良好的伪装和隐藏效果，舵机装置整体图如图17所示。

进一步，所述反制拦截干扰模块的具体过程为：

GPS的干扰拦截分为压制式和欺骗式两大类。压制式干扰发射与GPS卫星同频率的大功率信号，使无人机GPS接收机模块饱和。本系统中干扰装置采用博创时刻BCSK-ST001型反无人设备。

欺骗式干扰发射与GPS信号相类似的干扰信号，误导GPS接收机偏离准确的导航，欺骗式干扰主要分为转发式欺骗干扰和生成式欺骗干扰。转发式欺骗干扰利用信号的延迟对GPS进行干扰，技术难度低。生成式欺骗干扰是由干扰机产生能够被GPS接收设备识别的欺骗信号，产生GPS码型和当时的卫星电文数据，对于C/A码和半公开的P码，生成式欺骗干扰是可行的。本系统的干扰装置主要是通过发射高频电磁波信号，干扰无人机的遥控、GPS、图传等信号发送和接收，从而影响入侵无人机正常飞行，实现对入侵无人机的有效拦截，驱离装置如图18所示。

进一步，所述多端协同云共享模块具体过程为：

考虑到现实环境中城市、森林和山区等不同的应用场景和不同的用户群体的需求，本系统使用了近端、远端和移动端控制相结合的方式，如图19所示，通过WiFi组网，实现多终端数据实时云共享。现代的移动终端已经拥有极为强大的处理能力、内存、固化存储介质以及像电脑一样的操作系统。整体是一个完整的超小型计算机系统。可以完成复杂的处理任务。移动终端也拥有非常丰富的通信方式，即可以通过无线局域网进行便携式移动端实时监控。

本发明采用Socket协议实现树莓派和Python之间的信号传输，并且使用WIFI组网实现对组件的控制和远、近端和移动端的连接，数据传输速度快，灵活性高，移动性强，网络规划和调整方便，易于扩展，方便快捷。

本发明采用近端、远端和移动端检测相结合的方式，使得通信更加快捷，数据传输量大，且实时性高。近端可实时近距离检测和观察系统各项数据的变化，便于对系统本身出现的问题做出反应；远端控制则可以通过多终端PC连接通信，对采集到的各类数据进行算法的分析处理，下达指令，将输出信号返回至控制端，进行拦截操作；移动端可以随时查看系统的工作状态，并且系统还会将监控到的画面实时传输至移动端，无需用户人工监视，提高管理效率，减少资源的浪费，满足系统针对入侵无人机多维一体化的识别、检测、定位、跟踪与拦截的要求，同时为突发事件应急处理方面增添了新手段。

为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。

本发明实施例还提供了一种无人机拦截系统，主要包含无人机探测子系统和无人机反制子系统。在无人机探测子系统中，计算机根据摄像头送回的实时画面，采用相关算法对入侵无人机进行识别、检测、定位、跟踪，实时计算和跟踪入侵目标的位置信息，并发出警报。而后，在无人机反制子系统中，计算机通过无线局域网实时发送最新的目标位置信息至控制端，控制端收到坐标信息后送入相关控制算法进行计算、输出控制量。将控制信息送往舵机的控制端口，舵机根据具体的信号量开始旋转，舵机轴连接有一平台，平台上放置着反制设备与摄像设备，此时无人机反制设备跟随舵机联动，实时跟踪瞄准无人机，当满足瞄准精度要求时反制设备开始发送干扰电磁波，完成对入侵无人机的干扰拦截。

如图20为入侵无人机自动拦截系统硬件装置图。入侵无人机拦截系统由图像采集单元、计算处理单元、无线通信单元、控制单元、舵机驱动单元、干扰单元、预警单元等组成。

(1)图像采集单元：完成检测画面的实时采集和传输任务。

(2)计算处理单元：计算机对采集到的画面进行计算分析，实现对入侵画面的无人机进行检测、识别和跟踪，无线传输实时的探测结果和目标位置。

(3)无线通信单元：是计算机设备和控制器之间的通讯枢纽，负责系统数据间的实时交换。

(4)声学定位单元：通过麦克风阵列采集无人机声源信号，基于TDOA声学定位算法，结合ODAS开放嵌入式测试系统，构建三维立体的动态数学模型，将飞行器航线轨迹直观显示在空间坐标系中，同时传输给视觉云台，进行实时同步跟踪。

(5)树莓派控制单元：多树莓派进行数据传输并发出相应指令，使用PID控制算法，对目标位置进行计算处理，输出舵机转动信号。

(6)舵机驱动单元：接收控制单元输出的PWM信号，驱动舵机旋转相应的角度，进而联动舵机平台上的反制设备，完成入侵目标地对准，为无人机成功拦截提供有效保障。

(7)干扰拦截单元：发射高频电磁波信号，干扰无人机的遥控、GPS、图传等信号发送和接收，从而影响无人机正常飞行，实现入侵无人机反制拦截。

(8)智能预警单元：接受控制单元的信号，在发现无人机入侵后，警报灯发出不同颜色的光，并发出蜂鸣警报和语音播报，以提醒监控人员。

本发明实施例还提供了一种入侵无人机自动拦截系统的算法，分成无人机探测和无人机反制两大部分。无人机检测部分主要实现无人机运动目标检测、特征提取与分类和目标跟踪与坐标数据发送。入侵无人机反制部分主要实现接收目标位置数据、生成控制信号、旋转拦截平台以及发送干扰信号。

如图21是无人机检测子系统的算法流程图。首先利用摄像头采集监控画面图像，随后使用五帧差分法分割出画面中正在运动的目标，计算灰度变化。若未检测到运动目标，则读取下一帧图像继续检测。若检测到画面中存在运动目标，则自动框定目标，记录运动目标所在画面中的位置信息。然后，根据位置信息在原图像中提取相应区域的子图像，将图像送入YOLO-v5算法中进行识别，若识别结果判定该目标不是无人机时，则中止后续工作并重新进行下一帧图像的目标提取工作。若识别结果表示该运动目标为无人机目标时，进行基于TDOA声学定位算法的声源定位，对入侵无人机进行位置定位与轨迹跟踪。

如图22所示入侵无人机反制子系统算法流程图。在无人机反制子系统中，树莓派控制器为计算、控制的中枢，完成无人机坐标接收、舵机驱动信号计算、控制舵机旋转及控制干扰信号的发射等任务。在这里，值得注意的是一个问题是舵机单元在收到树莓派输出的PWM驱动信号后会进行旋转，由于旋转到特定的角度需要一定的时间，如果依次进行接收坐标、计算控制量、电机转动过程，将会和无人机检测子系统计算过程存在延时，即反制子系统滞后于检测子系统，无法实现反制设备的实时瞄准。因此，考虑采用多线程方法解决上述问题。将上述三个过程独立、程序并行运行，保证控制算法时刻获得最新的坐标值，从而输出合适的驱动信号，舵机也就更加及时瞄准、跟随对象。无人机接收模块，主要通过Scoket通信时刻接收无人机坐标，时刻保持坐标信息的更新。PID控制模块则是根据最新的坐标信息计算与期望中心存在的偏差，而后根据偏差进行PID控制、输出舵机驱动信号，即一定程度占空比的PWM波。舵机旋转则根据最新的PWM波旋转一定角度，其平台上的反制设备随之旋转，瞄准无人机，并进行对入侵无人机的干扰拦截。

本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合实验过程的数据、图表等进行描述。

根据以上系统硬件选型设计和算法设计，搭建出了一种针对目标空域内入侵无人机声学追踪与反制拦截系统平台。

本发明中，计算机通过云台摄像头获取探测场景的实时图像，对所获图像信息进行分析处理，从而实现对入侵的多旋翼无人机进行检测、识别及跟踪。无人机的检测是采用五帧差分法，框定运动目标，将其所在位置作为需要进一步处理的子区域，然后对该区域像素信息进行特征提取并采用机器学习算法识别。在子区域中，如果多旋翼无人机目标被成功检测识别，为了获取无人机的坐标信息，后续将通过YOLO-v5跟踪算法对该目标进行跟踪实时跟踪。基于麦克风阵列的无人机声源定位系统对目标无人机进行实时的定位，基于TDOA声学定位算法，结合ODAS开放嵌入式测试系统，构建三维立体的动态数学模型，将飞行器航线轨迹直观显示在空间坐标系中，同时传输给视觉云台舵机进行实时同步跟踪。而后，计算机通过无线局域网实时发送最新的目标位置信息至控制端，控制器收到坐标信息后送入相关控制算法进行计算、输出控制量。将控制信息送往舵机的控制端口，舵机根据具体的信号量开始旋转，舵机轴连接有一平台，平台上放置着反制设备和警报灯。系统正常运行时，指示灯为绿灯，并常亮，若发现入侵的无人机，那么指示灯变黄色，5秒后转为红色，此时蜂鸣器响，语音播报：“发现入侵无人机，智能反制拦截系统已启动”。无人机反制设备随舵机平台联动，以实现实时跟踪瞄准无人机，并对无人机发射干扰信号，实现对入侵目标无人机的干扰拦截。本系统还通过搭建局域网，实现了近端、远端和移动端三端控制，具有方便性和灵活性，满足不同条件、不同需求下的应用场景。

本发明平台搭建完成后，对整个系统运行效果进行多次验证，经过不断调试后，实验结果取得初步成功。结果表明，系统能够对入侵无人机目标进行快速检测与识别，对其进行实时声学定位跟踪，并采取有效反制拦截。

在本发明中，首先基于YOLO-v5的检测原理进行一个无人机数据集的制作，采用的无人机数据集格式通常为VOC格式，利用YOLO-v5目标检测模型对已经制作成功的无人机数据集进行训练。经过对多组无人机数据集的训练，同时对不同场景下数据集的训练可知，数据集训练所用的样本越多，识别正确率越高，当训练样本量达到10000时，识别正确率为99.43％。在训练结果中选择检测精度与准确度最优的训练模型，如图9所示为YOLO-v5训练目标检测数据集。

在本识别与检测系统中的网络输入端，基于改进的YOLO-v5算法主要采用了Mosaic、Mixup两种数据增强方法，通过采用这两种数据增强的方法，直接将传统的YOLO v3baseline性能提升了2.4个百分点，对目标领空内入侵无人机的检测效率与识别精度有大幅提升。

将选择好的训练模型按照单张图片－视频－摄像头的顺序进行测试，并将五帧差分法+YOLO-v5检测识别算法与传统的HOG+线性SVM检测识别算法做对比，通过对同样的视频进行处理分析，计算比较两方案检测入侵无人机目标期间的平均处理速度，结果如表1对比结果所示。

表1多系统组网技术路线图

实验结果表明，利用五帧差分法+YOLO-v5检测识别算法的性能优于传统的HOG+线性SVM检测识别算法的性能，处理速度提升接近4倍，达到25.32fps，满足本系统实时性的要求。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体，或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所做的做的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。