سپر صوتی: شناسایی و طبقه‌بندی صوتی پهپاد با شبکه‌ عصبی سبک وزن

استفاده گسترده از پهپادها، نیاز به تدابیر امنیتی پیشرفته برای جلوگیری از نفوذ غیرمجاز به حریم هوایی و مقابله با تهدیدات امنیتی را افزایش داده است. سامانه‌های شناسایی صوتی پهپاد، با بهره‌گیری از ویژگی‌های صوتی منحصربه‌فرد این پرنده‌ها، امکان پایش و نظارت از راه دور را در محیط‌های حساس نظیر مناطق نظامی، اماکن حفاظت‌شده، و فضاهای شهری فراهم می‌سازند. در این مقاله، ما چارچوبی قدرتمند مبتنی بر معماری شبکه عصبی عمیق بر اساس شبکه ConvNeXt برای شناسایی و طبقه‌بندی صوتی پهپادها ارائه می‌شود. مدل پیشنهادی با بهره‌گیری از معماری سبک‌وزن، بر روی مجموعه‌ای متنوع از داده‌های صوتی آموزش دیده و ارزیابی شده است تا دقت عملکرد و قابلیت تعمیم آن در شرایط گوناگون تضمین گردد. نتایج آزمایش‌ها نشان‌دهنده عملکرد بسیار بالای مدل پیشنهادی در تشخیص دقیق و طبقه‌بندی انواع مختلف پهپادها در محیط‌های پیچیده صوتی است و نشان می‌دهد که مدل طراحی‌شده علاوه بر دقت بالا، دارای سرعت پردازش مناسب برای استفاده در کاربردهای بلادرنگ نیز می‌باشد. همچنین مدل چند وظیفه‌ای ما نسبت به روش‌های موجود برتری داشته و می‌تواند به‌عنوان یک راهکار عملی در سامانه‌های نظارتی صوتی و سازگار با منابع سخت‌افزاری محدود مورد استفاده قرار گیرد. با وجود عملکرد دقیق که موفق شد دقت شناسایی را تا ۵۵/۹۹ درصد و دقت طبقه‌بندی را تا ۲۱/۹۹ درصد افزایش دهد، حجم مولفه‌های قابل آموزش تنها ۶۲/۰ میلیون (۶۲۵۵۴۲ مولفه) می‌باشد که این مدل را برای پیاده‌سازی در سامانه‌های نظارت محیطی کم‌مصرف مناسب می‌سازد.