[논문]환경 소음 제거를 통한 범용적인 드론 음향 탐지 구현

강해영; 이경호

doi:10.13089/jkiisc.2022.32.5.881

[국내논문] 환경 소음 제거를 통한 범용적인 드론 음향 탐지 구현
A General Acoustic Drone Detection Using Noise Reduction Preprocessing 원문보기

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.32 no.5, 2022년, pp.881 - 890

초록
AI-Helper

다양한 장소에서 드론이 활발하게 이용되면서 비행금지구역 내 불법 침입, 정보 유출, 항공기 충돌 등의 위험이 증가하고 있다. 이러한 위험을 줄이기 위해 비행금지구역으로 침입하는 드론을 탐지할 수 있는 시스템 구축이 필요하다. 기존의 드론 음향 탐지 연구는 탐지 모델에 환경 소음에 노출된 드론 음향을 그대로 학습시켰기 때문에 환경 소음에 독립적인 성능을 얻지 못했다. 이에 본 논문에서는 다양한 공간에서 환경 소음에 노출된 드론 음향을 명확하게 탐지하기 위해 주변 환경 소음을 별도로 수집하고, 드론 음향 신호에서 환경 소음을 제거하여 시끄러운 환경 속에서도 견고한 성능을 나타내는 범용적인 드론 탐지 시스템을 제안한다. 제안하는 시스템은 수집한 드론 음향 신호에서 환경 소음을 제거한 후 Mel Spectrogram 특성추출과 CNN 딥러닝을 이용하여 드론 존재 여부를 예측하였다. 실험 결과, 환경 소음으로 인해 감소했던 드론 탐지 성능을 7% 이상 향상시킴을 확인하였다.

Abstract ▼ AI-Helper

As individual and group users actively use drones, the risks (Intrusion, Information leakage, and Sircraft crashes and so on) in no-fly zones are also increasing. Therefore, it is necessary to build a system that can detect drones intruding into the no-fly zone. General acoustic drone detection researches do not derive location-independent performance by directly learning drone sound including environmental noise in a deep learning model to overcome environmental noise. In this paper, we propose a drone detection system that collects sounds including environmental noise, and detects drones by removing noise from target sound. After removing environmental noise from the collected sound, the proposed system predicts the drone sound using Mel spectrogram and CNN deep learning. As a result, It is confirmed that the drone detection performance, which was weak due to unstudied environmental noises, can be improved by more than 7%.

주제어

표/그림 (7)

그림 Fig. 1. Acoustic drone detection process with environmental noise reduction
표 Table 1. Comparison of drone detection methods
그림 Fig. 2. Signal enhancement process using spectral subtraction
그림 Fig. 3. Signal enhancement spectrum before & after using noise cancellation
표 Table 2. Layer summary of CNN model
표 Table 3. Evaluate accuracy and delay
표 Table 4. Comparison of detection model and Evaluation metrics

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 듀얼 마이크로 수집되는 음향 신호를 합성하는 전처리 과정을 통한 수집되는 드론 신호를 강화시키고 환경 소음을 감소시키는 드론 탐지 시스템을 제안한다. 제안된 시스템의 프로세스는 Fig.
본 논문에서는 환경 소음이 드론 탐지 모델의 성능에 부정적인 영향을 보이기 때문에, 이를 제거하기 위해 듀얼 마이크로 드론 음향신호를수집하고, 환경 소음의 평균 노이즈를 감산하는시스템을 제안했다. 드론 음향 신호를 처리하기 위해 스마트폰 MEMS 마이크로 녹음하였고 멜 스펙트로그램 데이터로 변환하여 음향 신호의 특징을 추출한후 CNN딥러닝 모델을 사용하여 탐지하였다.

가설 설정

드론 탐지의 성능은 정밀한 소음 제거 기술이 사용될수록 탐지 성능이 높아질 것이다. 본 논문의 실험에서 사용한 환경 소음 제거 과정은 환경 소음 제거를 위한 간단한 알고리즘을 통해 구현되어 지연시간의 발생과 정교한 소음 제거를 수행하지 못했다.

제안 방법

모델 학습 과정에는 드론 음향 신호 관련 공개 데이터 세트를 사용하여 모델을 학습하여 특정한 환경 소음에 노출되지 않은 일반적인 드론 탐지 모델을 생성했다. 그리고 모델 평가 과정에는 다양한 장소에서 수집한 실제 드론 음향 신호와 환경 소음 신호를 사용하여 전처리를 수행한 후 평가 과정을 진행했다. 본 논문에서 모델 학습 및 평가에 사용된 음향 신호는 멜 스펙트로그램 이미지로 변환한 후 CNN 딥러닝 모델의 학습 및 평가 데이터로 사용했다.
본 논문에서는 환경 소음이 드론 탐지 모델의 성능에 부정적인 영향을 보이기 때문에, 이를 제거하기 위해 듀얼 마이크로 드론 음향신호를수집하고, 환경 소음의 평균 노이즈를 감산하는시스템을 제안했다. 드론 음향 신호를 처리하기 위해 스마트폰 MEMS 마이크로 녹음하였고 멜 스펙트로그램 데이터로 변환하여 음향 신호의 특징을 추출한후 CNN딥러닝 모델을 사용하여 탐지하였다. 수집된 음향 신호는 평균 환경 소음을 감산한 후 음원으로 복원하여 음향 신호 수집 및 전처리 과정에서 발생할 수 있는 잡음을 억제하고 드론 음향 신호를 증폭하였다.
딥러닝 모델의 학습은 3.1절에서 수집한 공개 데이터세트인 “Drone audio dataset”을사용하였고, 데이터세트의 양성 음향 신호 및 음성 음향 신호로 레이블링된 음향 신호 세트를 통해 학습했다
와 같이 제안된 방법은 기존의 연구와 달리 두 개의 마이크 어레이를 사용하며, 소음 제거 전처리 과정을 추가하였다. 또한, 평가 단계에서는 딥러닝 모델 학습에 사용했던 데이터세트를 사용하지 않고 다양한 환경에서 직접 수집한 드론 음향 신호를 통해 기존 연구에서 확인할 수 없던 탐지 모델 성능의 범용성을 검증하였다.
과 같이 크게 2가지 부분으로 구성되어 있다. 모델 학습 과정에는 드론 음향 신호 관련 공개 데이터 세트를 사용하여 모델을 학습하여 특정한 환경 소음에 노출되지 않은 일반적인 드론 탐지 모델을 생성했다. 그리고 모델 평가 과정에는 다양한 장소에서 수집한 실제 드론 음향 신호와 환경 소음 신호를 사용하여 전처리를 수행한 후 평가 과정을 진행했다.
모델을 학습시키기 위하여 데이터세트의 음향 신호를 크기가128 × 55인 멜 스펙트로그램 데이터로 변환한 후, 학습 및 검증용 하위 세트를 위해 8:2의 비율로 데이터세트를 분할하였다.
앞의 과정에서 합성한 음향 신호로부터 특성을 추출하기 위해 멜 스펙트로그램 변환을 사용했다. 변환 과정은 음향 신호를 시간-주파수 영역으로 STFT 수행하고 주파수 간격을 멜 필터(Mel-Filter) 간격으로 조정하는 과정으로 진행했다. 멜스펙트로그램은 스펙트럼의 주파수를 식 (2)와 같이 Hz 단위에서 Mel-scale로 변환하여 표현한다.
본 논문에서 제안한 시스템을 통해 전처리 된 실외 드론 음향 신호와 환경 소음 제거 전처리를 수행하지 않은 드론 음향 신호를 각각 입력값으로 하여 드론 음향 탐지 모델에서 드론 유무를 탐지하였고 출력된 탐지 성능을 비교하였다. 평가에 사용한 실외 드론 음향 데이터는 드론 음향이 포함되어있는 904개의 양성 음향 신호와 드론 음향이 포함되어있지 않은 2616개의 음성 음향 신호로 레이블링되어 있다.
본 논문이 제안한 환경 소음 제거를 위한 전처리와 음향 신호 특징추출 및 딥러닝 과정은 Intel(R) Core(TM) i7-7700K CPU와 32GiB 메모리가 탑재된 데스크탑 컴퓨터에서 Jupyter notebook 및 파이썬(python) 언어를 통해 작성되어 진행되었다.
드론은 마이크로부터 20m 이격된 거리에서 고도2m로 정지 비행하면서 드론에서 발생하는 소리를 수집했다. 이과정에서 각 스마트폰은 48kHz의 샘플링 주파수와 256kbps의 비트 전송률인 WAV 형식으로 도심옥상, 도로변, 공원, 하천변에서 각각 5 분 동안 소리를 수집하여 총 20분의 오디오 클립을 생성했다.
에서 보는 것처럼 FFT(Fast Fourier Transform)를 통하여 신호에 대한 주파수 정보로 변환한 뒤 소음 제거 과정을 진행한다. 이때 환경 소음을 별도로 추출하여STFT(Short-Time Fourier Transform) 기반 노이즈를 분석하고 노이즈의 평균값을 드론 음원 스펙트럼에서 제거하는 방식으로 드론 음원에 포함된 환경 소음을 제거한다. 소음이 제거된 스팩트럼은 드론 음원의 페이즈에 맞추어 복구한 후 IFFT(Inverse Fast Fourier Transform)을 사용하여 음향 신호로 복원한다.
음향기반 탐지기술의 탐지 범위는 약 200m 내외로, 10m/s 의 속도로 비행하는 드론의 경우 외부에서 목표 지점으로 침투하는데 약 20초 정도 소요될 것을 알 수 있다. 침투하는 시간이 짧기 때문에 지연시간은 적게 발생할수록 드론을 조기에 발견하고 거부하기 유리하다, 제안하는 방법은 전처리 과정이 추가되어 지연시간이 길어지게 됨에 따라 반응시간이 늦어지게 되는 한계점이 존재하나, 기존 연구들에서 나타난 지연시간과 큰 차이를 발생시키지 않는다. 또한 제안한 방법은 큰 환경 소음에 노출된 공간에서 데이터를 수집하였기 때문에, 환경 소음 제거 전처리를 수행했지만 선형 연구들에 비교하여 평가지표가 낮게 나오는 제한점이 존재한다.
환경소음 제거 전처리를 진행하기 위해 수집된 음향 신호를 샘플링 속도 22kHz, 1초단위로 분할하여 일정한 길이의 음향 신호로 변환했다. 분할된 드론 음향 신호는 Fig.

대상 데이터

환경 소음이 포함된 드론 음향 신호 데이터세트는 MEMS(Micro ElectroMechanical System) 마이크가 탑재된 Galaxy S22 2대를 1m 간격으로 설치하고, 드론(DJI Mini 2)을 실제 환경에서 직접 비행하여 음향 신호를 수집했다. 드론은 마이크로부터 20m 이격된 거리에서 고도2m로 정지 비행하면서 드론에서 발생하는 소리를 수집했다. 이과정에서 각 스마트폰은 48kHz의 샘플링 주파수와 256kbps의 비트 전송률인 WAV 형식으로 도심옥상, 도로변, 공원, 하천변에서 각각 5 분 동안 소리를 수집하여 총 20분의 오디오 클립을 생성했다.
그리고 모델 평가 과정에는 다양한 장소에서 수집한 실제 드론 음향 신호와 환경 소음 신호를 사용하여 전처리를 수행한 후 평가 과정을 진행했다. 본 논문에서 모델 학습 및 평가에 사용된 음향 신호는 멜 스펙트로그램 이미지로 변환한 후 CNN 딥러닝 모델의 학습 및 평가 데이터로 사용했다.
본 논문에서 제안한 시스템을 통해 전처리 된 실외 드론 음향 신호와 환경 소음 제거 전처리를 수행하지 않은 드론 음향 신호를 각각 입력값으로 하여 드론 음향 탐지 모델에서 드론 유무를 탐지하였고 출력된 탐지 성능을 비교하였다. 평가에 사용한 실외 드론 음향 데이터는 드론 음향이 포함되어있는 904개의 양성 음향 신호와 드론 음향이 포함되어있지 않은 2616개의 음성 음향 신호로 레이블링되어 있다.
환경 소음이 포함된 드론 음향 신호 데이터세트는 MEMS(Micro ElectroMechanical System) 마이크가 탑재된 Galaxy S22 2대를 1m 간격으로 설치하고, 드론(DJI Mini 2)을 실제 환경에서 직접 비행하여 음향 신호를 수집했다. 드론은 마이크로부터 20m 이격된 거리에서 고도2m로 정지 비행하면서 드론에서 발생하는 소리를 수집했다.

이론/모형

분할된 드론 음향 신호는 Fig. 2.에서 보는 것처럼 FFT(Fast Fourier Transform)를 통하여 신호에 대한 주파수 정보로 변환한 뒤 소음 제거 과정을 진행한다. 이때 환경 소음을 별도로 추출하여STFT(Short-Time Fourier Transform) 기반 노이즈를 분석하고 노이즈의 평균값을 드론 음원 스펙트럼에서 제거하는 방식으로 드론 음원에 포함된 환경 소음을 제거한다.
이때 환경 소음을 별도로 추출하여STFT(Short-Time Fourier Transform) 기반 노이즈를 분석하고 노이즈의 평균값을 드론 음원 스펙트럼에서 제거하는 방식으로 드론 음원에 포함된 환경 소음을 제거한다. 소음이 제거된 스팩트럼은 드론 음원의 페이즈에 맞추어 복구한 후 IFFT(Inverse Fast Fourier Transform)을 사용하여 음향 신호로 복원한다. 환경 소음 제거를 위한 Spectral subtraction 과정을 수식으로 나타내면 다음과 같다.
앞의 과정에서 합성한 음향 신호로부터 특성을 추출하기 위해 멜 스펙트로그램 변환을 사용했다. 변환 과정은 음향 신호를 시간-주파수 영역으로 STFT 수행하고 주파수 간격을 멜 필터(Mel-Filter) 간격으로 조정하는 과정으로 진행했다.
학습 모델은 딥러닝 알고리즘인 CNN을사용했다. CNN은 Table 2.

성능/효과

9855로 우수한 성능을 나타냈다. CNN 모델은 학습 과정에 사용된 음향 신호와 유사한 특징을 가지는 검증 데이터세트로 검증할 시 정상적으로 드론 탐지가 가능했다.
은 본 논문에서 이용한 드론 음향 신호 원음 파형과 환경 소음 제거 과정을 수행한 파형의 스펙트럼을 나타낸 것이다. 기존 파형보다 소음 제거를 통한 파형이 드론 특성을 뚜렷하게 보인다.
66%와 같이 보이며 환경 소음으로 인한 성능 감소가 더 급격하게 나타났다. 드론 음향 수집 과정에서 환경 소음이 크게 포함되어 신호대잡음비가 낮아졌기 때문에, 환경소음사이에서 드론 음향 특성을 식별하는 것이 제한되어 탐지 성능에 악영향을 주는 것으로 확인할 수 있다.
드론 음향 신호를 수집하는 과정에서 음향 신호를 선명하게 수집하기 위한 마이크 설치 위치의 선정이 필요하다. 마이크를 설치할 때 실내, 구조물, 나무등 장애물에 영향을 받지 않는 실외에서 주위 사물과 이격하여 드론 음향 신호에 감쇠 또는 왜곡이 발생하지 않도록 설치해야 원활한 소음 제거 및 드론 탐지 성능 출력이 가능했다.
와 같이 나타났다. 모델 학습 과정에서 확인한 결과와 같이 학습 데이터세트와 유사한 특징을 가지는 검증 데이터세트를 사용한 경우 정확도 98.55%의 우수한 탐지 성능을 나타냈지만, 학습되지 않은 실외 드론 음향 데이터를 사용한 경우 드론 탐지 성능의 정확도가80.14%까지 급격히 하락했다. 특히 환경 소음이 큰 도심, 도로변의 경우 정확도가 75.
하지만 이러한 연구는 신호대잡음비가 낮아질 경우나 학습하지 않은환경 소음이 존재하는 공간에서는드론 탐지 성능을 유지하기 어려운 제한점이 존재한다. 반면 제안된시스템은 드론 음향 신호에서 환경소음을 제거하여 학습하지 않은 공간에서도 안정적인 성능을 나타낸다. Table 1.
본 논문에서 제안하는 방법을 통해 환경소음을 제거한 음향 신호로 탐지한 결과 정확도가86.14%로 상승하여 7% 이상의 성능 향상을 나타내며, 환경 소음 제거 전처리가 학습되지 않은 환경에서 드론 탐지 성능에 긍정적인 효과를 주는 것을 알 수 있다. 하지만 전처리 과정에서 환경 소음을 제거하기 위해 음향 데이터를 FFT 변환및IFFT변환,Spectral Subtraction 하는 전처리 과정이 추가되면서 기존의 환경 소음 제거가 없는 드론 탐지보다 약 3초의 추가적인 시간 지연이 발생하게 되었다.
드론 음향 신호를 처리하기 위해 스마트폰 MEMS 마이크로 녹음하였고 멜 스펙트로그램 데이터로 변환하여 음향 신호의 특징을 추출한후 CNN딥러닝 모델을 사용하여 탐지하였다. 수집된 음향 신호는 평균 환경 소음을 감산한 후 음원으로 복원하여 음향 신호 수집 및 전처리 과정에서 발생할 수 있는 잡음을 억제하고 드론 음향 신호를 증폭하였다.
이러한 지연시간은 빠르게 이동하는 드론의 침입에 대응하는데 부정적인 영향을 끼칠수있다. 음향기반 탐지기술의 탐지 범위는 약 200m 내외로, 10m/s 의 속도로 비행하는 드론의 경우 외부에서 목표 지점으로 침투하는데 약 20초 정도 소요될 것을 알 수 있다. 침투하는 시간이 짧기 때문에 지연시간은 적게 발생할수록 드론을 조기에 발견하고 거부하기 유리하다, 제안하는 방법은 전처리 과정이 추가되어 지연시간이 길어지게 됨에 따라 반응시간이 늦어지게 되는 한계점이 존재하나, 기존 연구들에서 나타난 지연시간과 큰 차이를 발생시키지 않는다.
환경 소음을 제거한 두 개의 음향 신호는 하나의 음향 신호로 합성했다. 이를 통해 각 마이크에 수집 된 드론 소리는 증가되고, 환경 소음 제거 과정으로 제거되지 않은 잡음 소리는 감소될 수 있다. Fig.
14%까지 급격히 하락했다. 특히 환경 소음이 큰 도심, 도로변의 경우 정확도가 75.05%, 77.66%와 같이 보이며 환경 소음으로 인한 성능 감소가 더 급격하게 나타났다. 드론 음향 수집 과정에서 환경 소음이 크게 포함되어 신호대잡음비가 낮아졌기 때문에, 환경소음사이에서 드론 음향 특성을 식별하는 것이 제한되어 탐지 성능에 악영향을 주는 것으로 확인할 수 있다.
14%로 상승하여 7% 이상의 성능 향상을 나타내며, 환경 소음 제거 전처리가 학습되지 않은 환경에서 드론 탐지 성능에 긍정적인 효과를 주는 것을 알 수 있다. 하지만 전처리 과정에서 환경 소음을 제거하기 위해 음향 데이터를 FFT 변환및IFFT변환,Spectral Subtraction 하는 전처리 과정이 추가되면서 기존의 환경 소음 제거가 없는 드론 탐지보다 약 3초의 추가적인 시간 지연이 발생하게 되었다.
와 같이 모델을 구성하였고 filter 16, kernel size 2, activationrelu, epochs 20, batch size 8로 파라미터 및 모델 학습 방식을 지정하여 진행했다. 학습된 CNN 모델은 검증 데이터세트를 사용하여 드론 탐지 성능을 검증한 결과는 정확도 0.9855로 우수한 성능을 나타냈다. CNN 모델은 학습 과정에 사용된 음향 신호와 유사한 특징을 가지는 검증 데이터세트로 검증할 시 정상적으로 드론 탐지가 가능했다.

후속연구

향후 연구에서는 실외 드론의 음향을 수집함과 동시에 환경 소음을 독립적으로 수집할 수 있도록 지향성 마이크를 혼합한 마이크 어레이를 구현하여 적응형 노이즈 캔슬링을 적용한 드론탐지를 수행할 예정이다. 더욱 효과적으로 환경 소음을 제어하여 낮은 신호대잡음비의 음향 신호에서도 딥러닝 모델의 탐지성능을 더욱 높일 예정이다.
침투하는 시간이 짧기 때문에 지연시간은 적게 발생할수록 드론을 조기에 발견하고 거부하기 유리하다, 제안하는 방법은 전처리 과정이 추가되어 지연시간이 길어지게 됨에 따라 반응시간이 늦어지게 되는 한계점이 존재하나, 기존 연구들에서 나타난 지연시간과 큰 차이를 발생시키지 않는다. 또한 제안한 방법은 큰 환경 소음에 노출된 공간에서 데이터를 수집하였기 때문에, 환경 소음 제거 전처리를 수행했지만 선형 연구들에 비교하여 평가지표가 낮게 나오는 제한점이 존재한다.
드론 탐지의 성능은 정밀한 소음 제거 기술이 사용될수록 탐지 성능이 높아질 것이다. 본 논문의 실험에서 사용한 환경 소음 제거 과정은 환경 소음 제거를 위한 간단한 알고리즘을 통해 구현되어 지연시간의 발생과 정교한 소음 제거를 수행하지 못했다. 실시간으로 환경 소음을 제거하는 적응형 노이즈 캔슬링(Active Noise Cancelling)을 적용한다면 짧은 지연시간과 함께 더욱 정교한 탐지성능을 도출해 낼 수 있을것으로 예상된다.
본 논문의 실험에서 사용한 환경 소음 제거 과정은 환경 소음 제거를 위한 간단한 알고리즘을 통해 구현되어 지연시간의 발생과 정교한 소음 제거를 수행하지 못했다. 실시간으로 환경 소음을 제거하는 적응형 노이즈 캔슬링(Active Noise Cancelling)을 적용한다면 짧은 지연시간과 함께 더욱 정교한 탐지성능을 도출해 낼 수 있을것으로 예상된다.
하지만 본 논문에서는 소음 제거를 위한 환경소음 수집 과정이 실시간으로 이루어지지 않고 평균환경 소음을 제거했기 때문에 소음 제거 과정의 정밀성이 낮고 지연시간이 발생하였다. 이 문제를 실시간환경 소음 제거 등의 기술을 통하여 해결하면 더욱 높은 성능으로 드론을 탐지할 수 있을 것이다.
향후 연구에서는 실외 드론의 음향을 수집함과 동시에 환경 소음을 독립적으로 수집할 수 있도록 지향성 마이크를 혼합한 마이크 어레이를 구현하여 적응형 노이즈 캔슬링을 적용한 드론탐지를 수행할 예정이다. 더욱 효과적으로 환경 소음을 제어하여 낮은 신호대잡음비의 음향 신호에서도 딥러닝 모델의 탐지성능을 더욱 높일 예정이다.

참고문헌 (31)

A. Choi-Fitzpatrick, "Drones for good:technological innovations, social movements, and the state," Journal of International Affairs, vol. 68, no. 1, pp. 19-36, Oct. 2014.
Z. Shi, X. Chang, C. Yang, Z. Wuand J. Wu, "An acoustic-based surveillance system for amateur drones detection and localization," IEEE transactions on vehicular technology, vol. 69, no. 3, pp. 2731-2739, Jan. 2020.

상세보기
I. Guvenc, F. Koohifar, S. Singh, M.L. Sichitiu and D. Matolak, "Detection, tracking, and interdiction for amateur drones," IEEE Communications Magazine, vol. 56, no. 4, pp. 75-81, Apr. 2018.

상세보기
D. Gettinger and A.H. Michel, "Drone sightings and close encounters: an analysis," Center for the Study of the Drone, Bard College, Dec. 2015.
S. Park, H.T. Kim, S. Lee, H. Joo and H. Kim, "Survey on anti-drone systems: components, designs, and challenges," IEEE Access, vol. 9, pp. 42635-42659, Mar. 2021.

상세보기
DFS Deutsche Flugsicherung GmbH, "Drones Still a Problem Even with Little Traffic," https://www.dfs.de/homepage/en/media/press/2021/18-01-2021-drones-still-a-problem-even-with-little-traffic/, Jan. 2021.
J.P. Yaacoub, H. Noura, O. Salman and A. Chehab, "Security analysis of drones systems: Attacks, limitations, and recommendations," Internet of Things, vol. 11, pp. 100218, Sep. 2020.

상세보기
The New York Times, "Two major Saudi oil installations hit by drone strike, and US blames Iran," https://www.nytimes.com/2019/09/14/world/middleeast/saudi-arabia-refineries-drone-attack.html, Sep. 2019.
M.A. Khan, H. Menouar, A. Eldeeb, A. Abu-Dayya and F.D. Salim, "On the detection of unauthorized drones-techniques and future perspectives: a review," IEEE Sensors Journal, vol. 22, no. 12, pp.11439-11455, Apr. 2022.

상세보기
S. Jamil, M. Rahman, A. Ullah, S.Badnava, M. Forsat andS.S.Mirjavadi, "Malicious uav detectionusing integrated audio andvisual features for public safetyapplications," Sensors, vol. 20, no. 14,pp. 3923, Jul. 2020.

상세보기
U. Seidaliyeva, D. Akhmetov, L.Ilipbayeva and E.T. Matson,"Real-time and accurate dronedetection in a video with astaticbackground," Sensors, vol. 20, no. 14,pp. 3856, Jul. 2020.

상세보기
Y. Seo, B. Jang and S. Im, "Dronedetection using convolutional neural networks with acoustic stft features," In 2018 15th IEEE International Conference on Advanced VideoandSignal Based Surveillance (AVSS),pp. 1-6, Nov. 2018.
X. Shi, C. Yang, W. Xie, C. Liang, Z.Shi and J. Chen, "Anti-drone systemwith multiple surveillancetechnologies: architecture,implementation, and challenges," IEEE Communications Magazine, vol.56, no. 4, pp. 68-74, Apr. 2018.

상세보기
A. Rabaoui, M. Davy, S. Rossignol and N. Ellouze, "Using one-class SVMs and wavelets for audiosurveillance," IEEE Transactionson information forensics and security, vol. 3, no. 4, pp. 763-775, Nov. 2008.

상세보기
S. Salman, J. Mir, M.T. Farooq, A.N.Malik and R. Haleemdeen, "Machinelearning inspired efficient audio dronedetection using acoustic features," In 2021 International BhurbanConference on Applied Sciences andTechnologies (IBCAST), pp. 335-339,Jan. 2021.
M. Nijim and N. Mantrawadi, "Drone classification and identification system by phenome analysis using data mining techniques," In 2016 IEEE Symposium on Technologies for Homeland Security (HST), pp. 1-5, May. 2016.
A. Bernardini, F. Mangiatordi, E. Pallotti and L. Capodiferro, "Drone detection by acoustic signature identification," Electronic Imaging, vol. 29, no.10, pp. 60-64, Jan. 2017.
M.Z. Anwar, Z. Kaleem and A. Jamalipour, "Machine learning inspired sound-based amateur drone detection for public safety applications," IEEE Transactions on Vehicular Technology, vol. 68, no.3, pp. 2526-2534, Jan. 2019.

상세보기
P. Casabianca and Y. Zhang, "Acoustic-based uav detection using late fusion of deep neural networks," Drones, vol. 5, no. 3, pp. 54. Jun. 2021.

상세보기
D. Utebayeva, A. Almagambetov, M. Alduraibi, Y. Temirgaliyev, L. Ilipbayeva and S. Marxuly, "Multi-label uav sound classification using stacked bidirectional lstm," 2020 4th IEEE International Conference on Robotic Computing (IRC), pp. 453-458, Nov. 2020.
S. Al-Emadi, A. Al-Ali, A. Mohammad and A. Al-Ali, "Audio based drone detection and identification using deep learning," 2019 15th International Wireless Communications & Mobile Computing Conference (IWCMC), pp. 459-464, Jun. 2019.
B.Yang, E.T. Matson, A.H. Smith, J.E. Dietz and J.C. Gallagher, "Uav detection system with multiple acoustic nodes using machine learning models," 2019 3rd IEEE International Conference on Robotic Computing(IRC), pp. 493-498, Feb. 2019.
H. Kolamunna, T. Dahanayaka, J. Li,S. Seneviratne, K. Thilakaratne, A.Y.Zomaya and A. Seneviratne,"Droneprint: acoustic signaturesforopen-set drone detectionandidentification with online data," Proceedings of the acmon interactive,mobile, wearable and ubiquitoustechnologies, vol. 5, no. 1, pp. 1-31,Mar. 2021.
Q. Dong, Y. Liu and X. Liu, "Dronesound detection systembasedonfeature result-level fusion usingdeeplearning," Multimedia Tools andApplications, pp. 1-23, Jun. 2022.
H. Liu, Z. Wei, Y. Chen, J. Pan, L.Lin and Y. Ren, "Drone detectionbased on an audio-assisted cameraarray," 2017 IEEE 3rd International Conference on Multimedia BigData(BigMM), pp. 402-406, Apr. 2017.
F. Christnacher, S. Hengy, M.Laurenzis, A. Matwyschuk, P. Naz, S.Schertzer and G. Schmitt, "Optical and acoustical uav detection," Electro-Optical Remote SensingX,Vol. 9988, pp. 83-95, Oct. 2016.
J. Busset, F. Perrodin, P. Wellig, B.Ott, K. Heutschi, T. Ruhl and T.Nussbaumer, "Detection and trackingof drones using advanced acousticcameras," Unmanned/UnattendedSensors and Sensor Networks XI; andAdvanced Free-Space Optical Communication Techniques andApplications, Vol. 9647, pp. 53-60,Oct. 2015.
A. Sedunov, D. Haddad, H. Salloum,A. Sutin, N. Sedunov and A.Yakubovskiy, "Stevens drone detectionacoustic system and experimentsinacoustics uav tracking," 2019 IEEE International Symposium on Technologies for Homeland Security (HST), pp. 1-7, Nov. 2019.
S. Jeon, J.W. Shin, Y.J. Lee, W.H. Kim, Y. Kwon and H.Y. Yang, "Empirical study of drone sound detection in real-life environment with deep neural networks," 2017 25th European Signal Processing Conference (EUSIPCO), pp. 1858-1862, Aug. 2017.
Z. Uddin, J. Nebhen, M. Altaf andF.A. Orakzai, "Independent vectoranalysis inspired amateur dronedetection through acoustic signals," IEEE Access, vol. 9, pp. 63456-63462,Apr. 2021.

상세보기
I. Aydin and E. Kizilay, "Development of a new light-weight convolutional neural network for acoustic-basedamateur drone detection," AppliedAcoustics, vol. 193, pp. 108773, May.2022.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증