PT
Drones tornaram-se amplamente utilizados em múltiplos domínios, e incidentes associados têm aumentado e intensificado as preocupações quanto a segurança e privacidade, motivando consequentemente o desenvolvimento de soluções precisas, eficientes e fiáveis capazes de detetar e identificar Veículos Aéreos Não Tripulados (UAV).
Este trabalho propõe duas arquiteturas de Redes Neuronais (NN): uma Rede Convolucional Neuronal (CNN) com camadas convolucionais unidimensionais (1-D); e uma Rede Neuronal Recorrente (RNN) com unidades Memória Longa de Curto-Prazo (LSTM). O sistema recorre a uma base de dados existente composta por sinais de drones de Rádio Frequência (RF), para classificação de UAV.
Várias experiências foram investigadas, focando no impacto de fatores de dilatação, convoluções separáveis em profundidade e camadas recorrentes para deteção; e na incorporação da taxa de dilatação para identificação. O desempenho do sistema é avaliado mediante matrizes de confusão e métricas tradicionais, incluindo exatidão, precisão, recall e F1-score.
Os resultados demonstram que as experiências que usam fatores de dilatação e convoluções separáveis em profundidade alcançam deteção quase-perfeita de drones; enquanto abordagens que integram camadas recorrentes, e taxa de dilatação para identificação, apresentam capacidade limitada, possivelmente devido à menor complexidade de arquitetura e também à semelhança de sinais entre drones do mesmo fabricante.
Em síntese, as observações indicam assim que a combinação de sinais RF com métodos de
Aprendizagem Profunda (DL) constitui uma abordagem eficaz para o desenvolvimento de sistemas
fiáveis de deteção e identificação de drones.
EN
Drones have become widely adopted across numerous domains, and associated incidents have increased security and privacy concerns, consequently motivating the development of accurate, efficient, and reliable solutions capable of detecting and identifying Unmanned Aerial Vehicles (UAV).
This work proposes two Neural Network (NN) architectures: a Convolutional Neural Network (CNN) with one-dimensional (1-D) convolutional layers; and a Recurrent Neural Network (RNN) using Long Short-Term Memory (LSTM) units. The system leverages an existing database composed of recorded drone Radio Frequency (RF) signals for the classification of UAV.
Several experiments were investigated, focusing on the impact of dilation factors, depthwise
separable convolutions, and recurrent layers for detection; and the incorporation of dilation rate
for identification. The system performance is evaluated through confusion matrices and standard
metrics, including accuracy, precision, recall, and F1-score.
Results demonstrate that the experiments using dilation factors and depthwise separable convolutions configurations achieve near-perfect detection of drones; whereas approaches integrating
recurrent layers, and dilation rate for identification, exhibit limited capability, potentially due to
lower architecture complexity and signal similarity between drones of the same manufacturer.
Ultimately, observations indicate that combining RF signals with Deep Learning (DL) methods
constitutes an effective approach for the development of reliable systems for drone detection and
identification.
