$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

드론 탐지 및 분류를 위한 레이다 영상 기계학습 활용
Machine learning based radar imaging algorithm for drone detection and classification 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.5, 2021년, pp.619 - 627  

문민정 (Department of Electronic Engineering, Korea Aerospace University) ,  이우경 (Department of Electronic Engineering, Korea Aerospace University)

초록
AI-Helper 아이콘AI-Helper

최근 드론은 가격 하락, 소형화와 함께 높은 기술 발전에 힘입어 드론 보급이 민군에 걸쳐 증가하면서 보안안전사고, 치안·안보 위협 등의 문제를 유발할 가능성도 커지고 있다. 드론으로 인해 발생하는 사건 및 사고를 예방하기 위해서는 드론의 출현에 대응할 수 있는 탐지 기술이 우선적으로 선행되어야 한다. 드론은 크기가 작고 전파 반사도가 낮은 재질로 구성되어 있어 음향, 적외선, 레이다의 운용만으로는 탐지가 어렵다. 최근 영상 식별 성능을 강화하기 위해 레이다 신호에 인공지능을 접목한 연구사례가 증가하는 추세이다. 본 논문에서는 레이다 영상을 이용한 드론 탐지 기술을 소개하며, 드론의 모의실험 데이터와 실제 실험 데이터를 기반으로 인공지능 기술에 적용하여 드론의 분류 정확도를 효과적으로 입증하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Recent advance in low cost and light-weight drones has extended their application areas in both military and private sectors. Accordingly surveillance program against unfriendly drones has become an important issue. Drone detection and classification technique has long been emphasized in order to pr...

주제어

#레이다   #마이크로 도플러   #기계학습  

표/그림 (17)

참고문헌 (12)

  1. S. Rahman and D. A. Robertson, "Radar micro-Doppler signatures of drones and birds at K-band and W-band," Scientific Reports, vol. 8, no. 1, pp. 1-11, 2018. 

  2. S. Bjorklund, "Target detection and classification of small drones by boosting on radar micro-doppler," 2018 15th European Radar Conference (EuRAD), IEEE, pp. 182-185, 2018. 

  3. F. Hoffmann, M. Ritchie, and F. Fioranelli, "Micro-Doppler based detection and tracking of UAVs with multistatic radar," 2016 IEEE Radar Conference (RadarConf), IEEE, pp. 1-6, 2016. 

  4. B. Taha and A. Shoufan, "Machine learning-based drone detection and classification: State-of-the-art in research," IEEE Access, vol. 7, pp. 138669-138682, 2019. 

    상세보기

  5. P. Klaer, A. Huang, P. Sevigny, S. Rajan., S. Pant, P. Patnaik, and B. Balaji, "An Investigation of Rotary Drone HERM Line Spectrum under Manoeuvering Conditions," Sensors2020, vol. 20, no. 20, pp. 5940, 2020. 

  6. M. Ezuma, F. Erden, C. K. Anjinappa, O. Ozdemir, and I. Guvenc, "Micro-UAV detection and classification from RF fingerprints using machine learning techniques," 2019 IEEE Aerospace Conference, IEEE, pp. 1-13, 2019. 

  7. S. Rahman and D. A. Robertson, "Multiple drone classification using millimeter-wave CW radar micro-Doppler data," Radar Sensor Technology XXIV., International Society for Optics and Photonics, vol. 11408, pp. 1140809, 2020. 

  8. H. Kang, B. K. Kim, J. S. Park, J. S. Suh, and S. O. Park, "Drone Elevation Angle Classification Based on Convolutional Neural Network With Micro-Doppler of Multipolarization," IEEE Geoscience and Remote Sensing Letters, 2020. 

  9. D. A. Brooks, O. Schwander, F. Barbaresco, J. Y. Schneider, and M. Cord "Temporal deep learning for drone microDoppler classification," 2018 19th International Radar Symposium (IRS), pp. 1-10, 2018. 

  10. S. Rahman and D. A. Robertson "Classification of drones and birds using convolutional neural networks applied to radar micro-Doppler spectrogram images," IET Radar, Sonar & Navigation, vol. 14, no. 5, pp. 653-661, 2019. 

  11. K. M. Song, M. J. Moon, and W. K. Lee, "Experimental Study of Drone Detection and Classification through FMCW ISAR and CW Micro-Doppler Analysis," Korea institute of millitary science and technology, vol. 21, no. 2, pp. 147-157, 2018. 

  12. P. M. Radiuk, "Impact of training set batch size on the performance of convolutional neural networks for diverse datasets," Information Technology and Management Science, vol. 21, no. 1, pp. 20-24, 2017. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로