서지주요정보
(A) study on radar for micro-drone detection and target classification based on deep learning = 소형 드론 탐지용 레이더와 딥러닝을 활용한 레이더 타겟 식별기법
서명 / 저자 (A) study on radar for micro-drone detection and target classification based on deep learning = 소형 드론 탐지용 레이더와 딥러닝을 활용한 레이더 타겟 식별기법 / Byung Kwan Kim.
발행사항 [대전 : 한국과학기술원, 2017].
Online Access 원문보기 원문인쇄

소장정보

등록번호

8031083

소장위치/청구기호

학술문화관(문화관) 보존서고

DEE 17022

휴대폰 전송

도서상태

이용가능

대출가능

반납예정일

리뷰정보

초록정보

This work presents radar systems to detect the drones, shows the experiment results with discussions based on target fluctuation model, and classification based on convolutional neural network and micro-Doppler signatures. A prototype design of this pulse radar is based on the radar equations, and adopts three different pulse modes and coherent pulse integration to secure high signal-to-noise ratio. Outdoor measurements are per-formed with prototype radar to detect Doppler frequencies from both the frame of drone and blades. The results indicate that the drone’s frame and blades are detected as the design of the system within instru-mental maximum range. By the analysis of the integration gain of target fluctuation model and coher-ent/non-coherent integration methods, it is verified that coherent pulse integration is effective for detection of the drone’s frame. However, the detectability of blades is decreased with pulse integration gain, due to fluctuation from rapid rotation. Therefore, to detect the drone with the pulsed radar using integration, both coherent and non-coherent integration should be considered because they have advantages for different parts of drone To classify drones with returned radar signal, a novel micro-Doppler signature analysis with deep learning is proposed in this work. The micro Doppler signature only presents Doppler information in time domain. To analyze the micro Doppler signature also in frequency domain, we merged the micro-Doppler signature and cadence-velocity diagrams as one image, namely merged Doppler image. The convolutional neural network is employed for its high performance and versatility for classification problems. The image dataset are generated by the returned Ku-band frequency modulation continuous wave radar signal. Proposed approach is tested and verified in two different environment, anechoic cham-ber and outdoor. First, we tested our approach with different number of operating motor and aspect angle of a drone. The proposed method improved the accuracy from 89.3 to 94.7%. Second, two types of drone at the 50 and 100m height are classified and showed 100% accuracy due to distinct difference in the result images. To overcome limitations on radar aspect angle and to reject clutter, polarimetric analysis on micro-drones are performed. A bird-like drone and micro-drone is measured in anechoic chamber, fixed vertically and horizontally to suppose different aspect angles. The measurement result indicate that micro Doppler signatures are observed more clearly for either co-polarized or cross-polarized radar depending its micro-motion plane. Micro-Doppler signature of vertically fixed drone is measured better for co-polarized radar and that of horizontally fixed drone is measured only with cross-polarized radar. Based on the polarimetric analysis, a novel radar image for target classification is proposed and validat-ed by measurements. To utilize deep learning with polarimetric radar data efficiently, we propose a novel image for image classification deep learning algorithm. Conventional image consists of three Red, Green, Blue channel, and each color corresponds to magnitude of signal. An image processing method, cross-correlation is introduced to present difference between two different measurements. Therefore, we present a novel image that consist custom color filtered merged Doppler images from HH and HV polarization and cross-correlation of each other. Classification is performed with proposed images and compared with con-ventional polarimetric image structure, based on deep learning algorithm. Results indicate that proposed image can provide suitable features for deep learning algorithm and increased classification accuracy up to 99.8%, and conventional polarimetric images shows 99.4% and 99.83% accuracy. The main advantage of proposed image structure is that only dual polarized receiver is used, not a full polarimetric radar. This leads compact radar structure with high classification rate.

본 졸업논문에서는 소형 드론 탐지를 위한 레이더의 설계와 설계를 바탕으로 제작된 레이더를 이용한 야외 실험을 토대로 소형 드론의 탐지 율에 대한 이론적인 분석, 그리고 합성 곱 신경망 (convolutional neural network)를 토대로 한 딥러닝을 활용한 레이더 타겟 식별기법을 연구하였다. 소형 드론은 실제 크기가 작고 구성 재질의 전자기적 특성과 비행 특성이 조류와 비슷하여, 레이더로 실제 운용중인 소형 드론을 탐지하기 어렵다. 또한, 소형 드론 산업의 발전에 따라 다양한 목적과 형태의 소형 드론이 시중에 유통되고 있는 상황에서 테러와 반 사회적인 목적의 드론 운용도 일어나고 있는 상황이다. [1] 이러한 상황에서 드론을 탐지하려면 높은 민감도와 소형 드론에서 발생하는 특징적인 신호를 탐지해야 한다. 본 연구에서는 소형 드론에 탑재된 회전익의 빠른 속도에 착안하여, 이를 드론 탐지 및 식별 근거로 하였다. 드론을 탐지하기 위한 펄스 레이더 설계에서는 펄스 압축 및 누적기술을 통해 신호 대 잡음 비 (SNR)의 개선이 용이한 펄스레이더를 활용하였다. 본 연구에 사용된 펄스레이더는 선형 주파수 변조 기법을 기반으로 하여, 펄스 적분 기법 중 효율이 뛰어난 동조 적분(coherent integration)을 통해 신호 대 잡음 비를 매우 개선하였다. 이를 야외에서 진행된 실험을 통해 이론적인 레이더 설계값과 확인 및 비교를 진행하였다. 펄스 레이더를 통해 드론의 탐지 확률과 필요한 레이더 성능을 파악하였으므로, 실제 운용에 필수적인 소형 드론을 인지, 식별하는 기술을 연구하였다. 기존 분류기 및 인식 이론은 설계에 뛰어난 전문지식이 필요하며, 확장성이 매우 낮다는 단점이 존재하였다. 최근 영상 분류 및 인식에 뛰어난 성능을 보이는 딥 러닝은 이러한 문제를 합성 곱 신경망이라는 구조를 통해 극복하였기 때문에, 본 연구에서는 이를 다양한 종류가 존재하고 쉽게 변형이 가능한 소형 드론 탐지에 활용하였다. 딥 러닝은 특히 영상 분류 및 인식에 뛰어난 성능을 보이고 있으며, 영상 형태의 데이터에 최적화된 공개 모델이 존재한다. 본 연구에서는 딥러닝을 활용한 레이더 타겟 분류의 가능성을 성능이 검증된 유명 공개 모델을 활용하여 실제 레이더 측정을 통해 얻은 데이터로 확인 해 보았다. 레이더 신호에서 확인 가능한 타겟의 정보는 크게 거리와 속도가 있다. 속도는 도플러 주파수로 표시되는데, 대부분 신호 분석의 경우 시간-크기의 원신호를 푸리에 변환을 통한 주파수-크기를 통해 분석을 진행한다. 본 연구에서는 시간에 따른 주파수 변화 분석을 통하여 물체의 움직임 분석에 용이하다는 마이크로-도플러 분석과, 이를 통해 얻어진 시간-도플러 주파수 그래프에서 도플러 주파수를 임의의 신호로 가정하여 이 도플러 주파수 신호의 주기성 또한 새로운 데이터로 활용하였다. 본 연구에서는 이를 합병-도플러 이미지 (merged Doppler image)라 칭한다. 이는 기존 마이크로-도플러 분석이 가진 측정 방향에 따른 한계와 마이크로-도플러 분석이 가진 주기성을 보다 확실하게 파악 할 수 있다는 장점이 있으며, 이는 실험 및 딥 러닝 모델의 정확도 결과를 통해 증명되었다. 무반사실 실험과 야외 드론 비행 실험에서 수집된 데이터를 유명 공개 모델인 GoogLeNet을 기반으로 하여 분류기를 검증하였다. 마이크로-도플러만 사용하였을 때의 정확도는 89.3% 이었고, 제안한 기법을 사용하였을 때 5.4% 상승한 94.7%의 뛰어난 분류 정확도를 얻는데 성공하였다. 야외 실험의 경우, 다른 종류의 드론으로부터 특정 종류의 드론을 구분하는 분류 시험을 진행하였고, 각 드론의 특징이 강하게 나타나 100%의 정확도를 기록하였다. 레이더와 타겟 사이의 측면각도에 따라 탐지 성능이 크게 좌우된다는 한계점과 레이더 클러터 제거 기술을 연구하기 위해, 소형 드론과 조류형태의 드론의 편파특성을 측정하고 분석하였다. 마이크로-도플러 신호가 측면각도와 미세 운동의 방향에 따라 동일편파와 교차편파 중 한 상황에서만 다른 상황보다 명확하게 탐지되는 것을 확인하였다. 이러한 측정 결과를 바탕으로, 새로운 타겟 분류에 사용할 영상 데이터를 제안하였고 측정과 실험을 통해 증명하였다. 4 가지 편파 결과를 모두 사용하게 되면 데이터의 양과 복잡도가 증가하므로, 이를 효율적으로 줄이기 위해 이미지의 특정 색 성분만을 거르는 기법과, 영상처리 기법 중 상호상관법을 이용하여 각 편파 결과간의 차이점을 부각시키는 기법을 도입하였다. 새롭게 제안하는 이미지는 수평-수평, 수평-수직 편파 정보와 상호상관법 세가지를 조합하였으며, 기존의 편파 합성구경레이더에 사용되는 편파 이미지 구조와 함께 딥러닝을 활용한 분류기 성능을 측정하였다. 기존의 단일 편파 레이더 결과에서는 94.7%의 한계를 보였으나, 편파 레이더 이미지와 제안한 이미지의 경우 각각 99.4%와 99.8%의 뛰어난 정확도를 기록하였다. 본 연구에서 제안한 편파 이미지의 경우 수신기의 이중편파만을 사용하였다는 점에서 추후 편파 레이더의 설계 및 구현에서 장점을 찾을 수 있으며, 송신기의 이중편파를 사용하지 않았음에도 뛰어난 결과를 성취하였다는 점이 주목된다.

서지기타정보

서지기타정보
청구기호 {DEE 17022
형태사항 vii, 70 p. : 삽화 ; 30 cm
언어 영어
일반주기 저자명의 한글표기 : 김병관
지도교수의 영문표기 : Seong-Ook Park
지도교수의 한글표기 : 박성욱
학위논문 학위논문(박사) - 한국과학기술원 : 전기및전자공학부,
서지주기 References : p. 63-65
QR CODE qr code