(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211121134.X (22)申请日 2022.09.15 (71)申请人 西华大学 地址 610039 四川省成 都市金牛区土桥金 周路999号 (72)发明人 余莎莎　关权鹂　戚轩　郝鹏　 叶勉　张学军　 (74)专利代理 机构 成都方圆聿联专利代理事务 所(普通合伙) 51241 专利代理师 苟铭 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进残差网络的无人机异常行为 识别方法 (57)摘要 本发明公开了一种基于改进残差网络的无 人机异常行为识别方法， 包括： 将无人机的图像 分为训练集和测试集， 构建改进的残差网络模 型， 对训练集进行特征提取、 网络训练。 通过测试 集验证准确率后， 进行无人机的图像分类， 将提 取后的信息特征代入改进孤立森林算法中进行 异常行为识别。 对飞行特征参数进行提取和预处 理， 通过随机斜率超平面来分割数据集构建孤立 树， 从而建立孤立森林。 将样本数据遍历孤立树， 通过基于相对质量的方法， 并代入威胁系数作为 权重， 计算出样本的异常得分， 从而判定出无人 机异常行为。 本发明的优点是： 提高了准确率， 缩 短了训练时间， 降低模型时间复杂度,加快判别 时间。 提高了 检测数据集异常得分的鲁棒 性。 权利要求书4页 说明书11页 附图4页 CN 115457414 A 2022.12.09 CN 115457414 A 1.一种基于改进残差网络的无 人机异常行为识别方法， 其特 征在于， 包括以下步骤： 步骤1， 基于无人机不同类型的特征， 建立改进残差网络训练的无人机种类图像集， 将 无人机种类图像集的90％作为训练集， 10％作为测试集； 对无人机的图像训练集进行图像 预处理， 图像预 处理包括： 图像增强、 边缘检测、 图像去噪、 对称翻转、 图像裁剪和旋转变化， 最后组成训练图像集； 步骤2， 基于传统的ResNet ‑50网络构 建改进残差网络模型， 模型主要由输入主干、 四个 后续卷积组以及最后的输出层组成； 模型基于残差网络改进了小卷积核， 采用深度可分离 卷积和分组卷积进 行卷积操作， 增加卷积注意力模块， 并将输出结果进 行多尺度融合， 以此 增强对无 人机图像的特 征提取， 提高图像分类的准确率， 减少计算 量， 加快训练速度； 步骤3， 设置网络训练的参数， 将无人机训练集导入到改进残差网络模型中进行训练， 使用不同类型无人机和不同功能无人机的图像集进行训练， 保存训练后的网络模型； 不同 类型无人机包括： 固定翼和旋翼无人机， 不同功能无人机包括： 普通航模、 航拍无人机和运 输无人机； 步骤4， 训练完成后， 输入三通道的无人机测试集图片数据， 尺寸为224 ×224×3， 通过 改进残差网络进行卷积、 池化和全连接操作， 最 终得到无人机的分类结果， 检验改进残差网 络对无人机图像分类的准确度； 步骤5， 通过训练好的改进残差网络对无人机的图像进行分类， 输出该种类无人机的威 胁系数； 其中对不同无人机在不同环 境情况下的威胁系数， 根据实际情况和需求自行赋予； 输出无人机的类别和威胁系数js； 将输出参数代入改进孤立森林算法中进行异常行为检 测， 识别判定无 人机是否具有异常行为； 步骤6： 进行无人机异常行为的识别； 从最小的延迟识别飞行异常数据、 提高判别的准 确度两个方面入手； 采用无人机的经度、 纬度、 高度作为无人机航迹特征参数； 无人机的速 度、 偏航角、 俯仰角作为无人机姿态特征参数； 对于无人机非法闯入禁飞区的判定采用禁飞 区角度差ε和速度差值ΔV作为特征参数， 并结合无人机威胁系数js作为后续异常得分权 重， 公式如下： ε＝γ‑β ΔV＝Vb‑Va 其中∠OAM＝β， ∠OAB＝γ， ε为禁飞区角度差， Ri为禁飞区区域半径， ΔV为无人机速度 差值； 当ε≥0时， 无人机判定为远离禁飞区域； 当ε＜0无人机判定为有侵入禁飞区风险， 此 时若ΔV＜0时， 无 人机侵入禁飞区风险降低， 若ΔV≥0， 无 人机侵入禁飞区风险增大； 步骤7： 对步骤6中选取的无人机飞行数据进行预处理； 预处理包括： 数据的清洗、 补全 空缺和减少冗余， 得到无 人机飞行 数据集X； 步骤8： 对预处理之后的无人机飞行数据 集X来构建孤立树iTree(X ′,e,l)， 通过随机采权　利　要　求　书 1/4 页 2 CN 115457414 A 2样生成t个孤立 树iTrees， 从而构建孤立森林iForest(X,t,Ψ)； 步骤9： 计算出样本点的异常得分情况： 在检测无人机航迹、 姿态异常行为时， 计算样本 点x在每棵孤立树的异 常分数si(x)； 在判别无人机非法进入禁飞区时， 计算样本点x在每棵 孤立树的异常 分数si(x)； 最后求得样本点的异常得分； 步骤10： 根据对异常得分情况， 检测无人机飞行时航迹、 姿态的是否异常， 判断无人机 是否有非法入侵禁飞区的风险。 2.根据权利要求1所述的一种基于改进残差网络的无人机异常行为识别方法， 其特征 在于： 改进残差网络的Co nv 1为3个步长为1的3 ×3卷积核进行卷积操作， 感受野的计算公式为: 其中RFC表示第C层感受野的大小， fC表示第C层卷积核的大小， 为第1层到第 C‑1层 步长的累乘； 取RF0＝1， 使用3个步长为1的3 ×3卷积核运 算过程为： RF1＝1+(3‑1)＝3 RF2＝3+(3‑1)×1＝5。 RF3＝5+(3‑1)×1×1＝7 3.根据权利要求2所述的一种基于改进残差网络的无人机异常行为识别方法， 其特征 在于： 改进残差网络在Conv  2至5采用改进瓶颈结构的残差块， 通过深度可分离卷积和分组 卷积来减少计算量， 加快训练速度； 改进后的瓶颈结构第一部 分采用普通卷积， 保留较多的 图像特征； 第二部分采用深度可分离卷积， 减少计算量， 加快计算速度； 第三部分使用分组 数为3的分组卷积， 保留较多图像特 征的同时， 减少计算 量； 以下为深度可分离卷积和分组卷积的具体 计算步骤： 普通卷积： H ×W×C×k×k×m 深度可分离卷积： 深度可分离卷积可分为遂通道卷积和逐点卷积两个步骤， 深度可分 离卷积的计算 量为两种卷积之和,为： H×W×C×k×k×1+H×W×C×1×1×m 遂通道卷积： H ×W×C×k×k×1 逐点卷积： H ×W×C×1×1×m 分组卷积： 输出图像尺寸为H ×W×C， 卷积核个数为m， 大小为k ×k， 分组卷积中输入特征图分为G 组， 则深度可分类卷积的计算量为普通卷积的 分组卷积的计算量为普通卷积的 因此改进残差网络的瓶颈结构能够减少计算 量， 加快计算速度。 4.根据权利要求3所述的一种基于改进残差网络的无人机异常行为识别方法， 其特征 在于： 改进残差网络在每一个卷积组后面加入卷积注意力模块， 改进残差网络使用多尺度权　利　要　求　书 2/4 页 3 CN 115457414 A 3