CN114111456B - 一种电力变电站及重要设施无人机防御系统 - Google Patents
一种电力变电站及重要设施无人机防御系统 Download PDFInfo
- Publication number
- CN114111456B CN114111456B CN202111414341.XA CN202111414341A CN114111456B CN 114111456 B CN114111456 B CN 114111456B CN 202111414341 A CN202111414341 A CN 202111414341A CN 114111456 B CN114111456 B CN 114111456B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- point
- symmetry
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41H—ARMOUR; ARMOURED TURRETS; ARMOURED OR ARMED VEHICLES; MEANS OF ATTACK OR DEFENCE, e.g. CAMOUFLAGE, IN GENERAL
- F41H11/00—Defence installations; Defence devices
- F41H11/02—Anti-aircraft or anti-guided missile or anti-torpedo defence installations or systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
- H04K3/00—Jamming of communication; Counter-measures
- H04K3/20—Countermeasures against jamming
- H04K3/22—Countermeasures against jamming including jamming detection and monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种用于电力设施的无人机防御系统包括:指挥调度中心、网关系统、无线电无源侦测系统以及威胁报警模块。指挥调度中心通过网关系统分别与无线电无源侦测系统、威胁报警模块通信连接,GIS地理信息系统集成在指挥调度中心的服务器中。无线电无源侦测系统包括至少一个侦测节点和无线电信号识别系统,每个侦测节点包括侦测天线,侦测天线可以是全向天线或定向天线,该全向天线包括多个部署在不同方位的天线单元,每个天线单元上设置有调节俯仰角的档位。
Description
技术领域
本发明涉及供电领域,具体涉及用于对变电站等重要设施进行无人机防御的系统及相应防御方法。
背景技术
国家电网承担着重大的经济责任、政治责任和社会责任,电网安全生产工作不仅关系到员工人身安全、企业生产大局,更关系到经济社会发展和人民群众安居乐业的全局。
电网中有很多重要设施,比如,发电厂、变电站、电力调度指挥通信系统等,这些重要设施的安全对于电网的安全至关重要。在电力系统中变电站起着对电压和电流进行变换、集中与分配的重要作用。一般为了电能的质量及设备的安全考虑,要进行电压的调整、潮流的控制以及输配电线路与主要电设备的保护。变电站由于数量众多,对其能够进行有效的安全防护。
如今,民用无人机的应用非常广泛,包括农业、电力石油、检灾、林业、气象、国土资源、警用、海洋水利、测绘、城市规划等多个行业,无人机对我们的基础生活领域几乎无孔不入。但是,由无人机引发的各种担忧也应运而生,尤其是在安全方面的隐患,一方面无人机可能被用作侦测的工具,另一方面无人机一旦落入电网重要设施中引起短路等状况,对于电网而言,也会带来非常严重的安全隐患,乃至损失。
因此,能够对电力变电站等重要设施进行有效地无人机防御至关重要。但是,由于无人机为近几年迅速兴起的行业,对于无人机的防御技术远远落后于无人机自身技术的发展。
发明内容
针对上述问题,本发明提供了一种用于电力设施的无人机防御系统包括:
指挥调度中心、网关系统、无线电无源侦测系统以及威胁报警模块,
所述指挥调度中心通过网关系统分别与无线电无源侦测系统、威胁报警模块通信连接,指挥调度中心的服务器中集成有GIS地理信息系统;
无线电无源侦测系统包括至少一个侦测节点和无线电信号识别系统,所述侦测节点分布在目标设施的外周,用于采集无人机通信波形信号,
每个侦测节点包括侦测天线,侦测天线为全向天线,所述全向天线包括多个部署在不同方位的天线单元,每个天线单元上设置有调节俯仰角的档位。
在一种优选实现方式中,所述无线电无源侦测系统至少包括四个侦测节点,分别设置于目标电力设施的四角或四边。
在另一种优选实现方式中,各个侦测天线分别采集各自的无线信号,所述无线信号通过射频处理模块进行低噪声放大、滤波,然后下变频分别得到相应IQ信号数据,所述无线电信号识别系统接收所述IQ信号数据。
在另一种优选实现方式中,所述无线电信号识别系统中预存有当前各个主要机型的无线电信号特征谱,无线电信号识别系统基于所接收到的无线电信号进行特征提取,并将所提取的信号与预存的信号频谱特征进行比对,获得相应的无人机类型以及频谱特性。
在另一种优选实现方式中,所述定位辅助系统基于所述目标跟踪模块确定的目标无人机的大体方位,确定目标无人机所在区位。
在另一种优选实现方式中,无线电无源侦测系统先用宽带接收模块接收整个工作频段的宽带时域信号,通过快速傅里叶变换转换为宽带频域信号,接着从宽带频域信号中抽取目标的窄带频域信号,并滤除其它信号,完成宽带频谱信息抽取窄带频谱信息的过程,再通过反傅里叶变换,将窄带频域信号转换为窄带时域信号,解调时域信号,然后将解调确认后的多个窄带信号的时间和频率进行排列,得到时间频率关系的序列。
在另一种优选实现方式中,还包括红外无人机类型判别和跟踪装置,其包括红外摄像装置,红外图像特征提取装置以及图像分类装置,红外摄像装置设置于目标设施的最高点,安装在可旋转转台上,可以向各个方向进行拍摄,所述图像分类装置基于所述红外摄像装置所拍摄的无人机图像中红外热点的对称性进行无人机类型判别。
在另一种优选实现方式中,所述图像分类装置基于下述方式进行无人机类别判断:(1)从红外图像中首先确定亮度高于其他区域的高亮区域,锁定目标无人机区域,基于目标无人机所在方位调整焦距,对目标无人机图像进行放大拍摄;(2)基于放大图像提取图像中的区域内的多个红外亮度高点,确定上述高亮点坐标,(3)分别以任意一个亮度高点作为对称线上所在点,利用该点坐标,和与该点距离最远的两个高亮点的中点坐标连线,作为对称线,判断其余高亮点是否被平均划分在对称线两侧,若是,则进行下一步,否则重新选择高亮点重复该步骤,直到确定对称线上点;(4)计算对称线上点与对称线第一侧与其距离最远的第一点的距离h1和对称线上点与对称线第二侧与其距离最远的第二点的距离h2,对于对称线第一侧的各个高亮点,将其与对称线上点的距离乘以比例系数h2/h1,与对称线第二侧的对应点与对称线上点的距离做差,将各组的两个点与对称线上点的距离差的平方和相加并进行开方处理,作为该点的对称性误差,(5)若满足步骤(3)中判断条件的点不止一个点,则分别计算以各个点为对称线上点而计算获得的对称性误差,选取对称性误差最小的点作为对称线上点;对于持续或间隔拍摄的红外图像,不断计算基于图像所确定的对称线相对于X轴或Y轴的夹角以及对称线上点与其他高亮点的线对称性误差的变化率,当基于图像所确定的对称线相对于X轴或Y轴的夹角或者对称线上点与其他高亮点的线对称性误差变化率中的任意一个超过预定阈值时,认定该目标无人机为中心对称的多旋翼无人机,否则为固定翼无人机。
在另一种优选实现方式中,所述方法还包括提取红外摄像图像中目标无人机区域中高亮点的数目以及高亮点的亮度值,判断所述高亮点是否超过5个,若所述高亮点数目超过5个,则基于所述高亮点的亮度值将各个高亮点进分类为第一高亮点和第二高亮点,判断所述第一高亮点和所述第二高亮点的对称性,若所述第一高亮点和第二高亮点中的一个满足线对称性,另一个满足中心对称性,则所述目标无人机为复合翼无人机。
本发明的思路为,基于无线频谱信息确定目标无人机的机型,当确定机型以及要对目标进行跟踪或捕获之后,基于无人机的信号到达两个侦测单元的时间差大体确定无人机的大概方位区间,再利用辅助定位系统,通过发射大体同频段的无线信号,在进行无人机飞行干扰的同时,进行无人机信号模拟,确定无人机的更精确方位。
附图说明
图1为采用自适应跳频的蓝牙信号与WIFI信号共存的时间频率关系图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
如图1所示,本实施例中的用于电力设施的无人机防御系统包括:
指挥调度中心、网关系统、无线电无源侦测系统以及威胁报警模块。
指挥调度中心通过网关系统分别与无线电无源侦测系统、威胁报警模块通信连接,GIS地理信息系统集成在指挥调度中心的服务器中。
无线电无源侦测系统包括至少一个侦测节点和无线电信号识别系统,每个侦测节点包括侦测天线,侦测天线可以是全向天线或定向天线,该全向天线包括多个部署在不同方位的天线单元,每个天线单元上设置有调节俯仰角的档位。
优选地,无线电无源侦测系统至少包括四个侦测节点,分别设置于目标电力设施的四角。
无人机通信波形信号分别由各个侦测天线测得,通过射频处理模块进行低噪声放大、滤波,然后下变频分别得到相应IQ信号数据,将所获得的IQ信号数据送入无线电信号识别系统,无线电信号识别系统中预存有当前各个主要机型的无线电信号特征谱,无线电信号识别系统基于所接收到的无线电信号进行特征提取,并将所提取的信号与预存的信号频谱特征进行比对,获得相应的无人机类型以及频谱特性。
优选地,无线电信号识别系统中内置有AI模型,AI模型直接从无人机无线基带I Q信号或其变换的数据学习。通过在不同场景下采集无人机信号数据,并且,通过对这些数据进行数据增强,扩展标签样本的量,利用带标签数据对模型进行训练。利用AI模型进行基于无人机频谱特性进行无人机类型的识别。
优选地,考虑到多数无人机和控制器通信工作于无需许可的2.4GHz或者5.8GHz的ISM(工业,科学和医疗)无线电频段,为抵御同频段如WIFI或同协议设备的干扰,大多采用跳频技术,即通信频率随时间按一定规律改变,该时间频率关系也称为跳频图案,无线电侦测系统中还设置跳频图案识别模块,用以确定目标无人机的跳频图案。
例如第一代蓝牙设备使用2.4GHz的79个可用频道,以伪随机方式按每秒1600次速度快速切换频道,占用的频道在通信过程中保持不变。蓝牙协议后续版本还引入自适应跳频,设备可以自动调整跳频图案,来规避干扰频道,从而自适应环境。图1为采用自适应跳频的蓝牙信号与WIFI信号共存的时间频率关系图。
在优选实现方式中,通过接收目标无人机的无线信号并基于无线信号频率的变化识别跳频通信的跳频图案,进行窄带攻击或控制。本实施例中,侦测设备先用宽带接收模块接收整个工作频段的宽带时域信号,通过快速傅里叶变换转换为宽带频域信号,接着从宽带频域信号中抽取目标的窄带频域信号,并滤除其它信号,完成宽带频谱信息抽取窄带频谱信息的过程,再通过反傅里叶变换,将窄带频域信号转换为窄带时域信号,解调时域信号,然后将解调确认后的多个窄带信号的时间和频率进行排列,得到时间频率关系的序列。
假设信道总数为N,上次连接的信道为fn,本次连接的信道为fn+1,固定跳频的算法可表示为:
fn+1=(fn+H)%N,
式中H是跳频阶跃,蓝牙协议中5≤H≤16,N=37,%是模运算。
另外一种复杂的跳频算法表示为:
破解采用简单跳频算法的跳频信号,只要采集的信号长度超过一个完整跳频周期,跳频图案就可以确定下来。对于采用复杂算法的跳频信号,跳频阶跃可变,在通信协议已知的情况下,需要根据跳频信号产生的构成,设计破解方法。比如破解蓝牙自适应跳频信号,可以利用MAC地址,时钟等信息,并构造时间频率表,解析出跳频信号产生所用的关键参数,从而破解出跳频图案,基于所获得的跳频图案以及所接收到的当前无人机的发射频谱,获得下一时段内无人机的预估通信频谱,在相应频谱范围内发射干扰信号。
当“黑飞”无人机从远处飞向电力设施时,首先将进入到本发明的无人机防御系统的监视区域,靠近无人机飞入方向的一到二个节点处的天线首先接收到无人机的无线信号,相应节点将所接收到的无线信号发送至无线电信号识别系统,无线电信号识别系统基于所接收到的无线信号的频谱特征确定无人机的机型,并且基于所确定的机型是否为授权或者非授权机型。
若为非授权机型,或者若当前为禁飞区域,则启动目标跟踪模块,首先,根据最先接收到无人机信号的节点位于整个监控区域的方位,确定目标无人机的大致飞入方位;调整各个节点处天线的信号接收范围,调整其方向以使的无人机的飞入方位落入其最佳信号接收方向范围内。采用这种方式,可以降低成本,不需要每个节点处的天线的接收方向均为360度全向天线,而是各个天线组合在一起能够实现360度全向接收即可。
当目标无人机进一步接近,根据调度系统的命令或者自动启动光电精确定位系统,进一步对目标无人机进行精确定位。
实施例2
对于重要的电力设施而言,当其侵入时,发出警报仅仅是最初级的手段,最终目的是将其捕获或者驱离。
但是,要想有效地对无人机进行捕获往往是很困难的,首先各种不同无人机的飞行性能差异很大,并且,无人机体积相对较小,只能采用高精度雷达才能很好地定位,但是,为了防护电力设施而采用高精度雷达从成本上考虑显然不是一个好的选择。
本申请的发明人在对各种类型无人机的监测进行研究的过程中发现,目前无人机的飞行性能,尤其是机动性与其旋翼的特点密切相关,如果能够有效地检测出无人机旋翼的特点,就可以针对性地进行捕获,大大提升捕获效率。研究发现,目前的无人机大体可以划分到三个类别中,多旋翼无人机、固定翼无人机和复合翼无人机。这三种无人机的飞行各具特点,多旋翼无人机短距离机动性最高,但是飞行速度有限,固定翼无人机飞行速度快,但是方向、俯仰等机动性能差,具有较强的运动惯性,而复合翼无人机则可以在两种状态之间进行切换,但是却又在单方面性能方面均不如固定翼和多旋翼。
在了解到上述无人机的性能之后,就可以针对性地进行捕获,提前预判无人机的运动轨迹。
但是,难点是如何快速进行类型的划分,因为现有的防护仅能够做到基于无人机的信号进行其各方面信息的收集,而无人机信号并不是一定存在的(无人机在设定好飞行模式后可以自主飞行),并且基于无人机信号也不一定能够判断出其飞行类型。即便是基于速度进行划分,一定时期内的速度也并不一定能够准确代表无人机的类型。
发明人在研究中进一步发现,三种无人机在飞行过程中具有不同的红外信号特征,四旋翼无人机由于飞行过程中主要靠多个旋翼上的电机驱动,所以多个旋翼上会存在四个(或五、六个)红外高亮点,而中部一个中高亮点,呈中央对称分布;固定翼无人机会在中部存在一个中高亮点,两侧机翼两个或四个高亮点,或者是飞机前端以及两侧存在高亮点,不管怎样均呈左右对称分布,而复合翼无人机则在固定翼飞行时会存在中部一个中高亮点,两侧2-4个高亮点,同时由于四旋翼在转换到固定翼之前进行过高强度工作,所以在中部四周会存在中心对称的四个中低亮点,并且复合翼无人机的亮点亮度会随时间变化。虽然这种红外特征会随着距离的变远而变得模糊,但是基于其轮廓特征还是可以分辨的。
基于上述发现,本实施例中的无人机防御系统除了实施例1的指挥调度中心、网关系统、无线电无源侦测系统以及威胁报警模块之外,红外无人机类型判别和跟踪装置。
该红外无人机类型判别和跟踪装置包括,至少一台,优选两-三台红外摄像装置,红外图像特征提取装置以及图像分类装置。
红外摄像装置设置于目标设施的最高点,比如顶楼,安装在可旋转转台上,可以向各个方向进行拍摄。使用时,红外摄像装置以预定转速随着转台旋转,对不同方位的红外信号进行检测。初始时,采集一系列环境中的背景红外特征。红外摄像装置根据一定规律进行物方焦平面距离调节,从远到近再从近到远往复循环。
正式使用前,首先进行环境背景影像图像的采集,并人工标定环境背景影像中的红外干扰源。正式使用时,将所获得的红外图像与背景图像进行差分处理,获得所拍摄图像中,对应实际物体高度高于一定阈值的红外图像。
红外图像特征提取装置对所获得的差分图像数据进行特征提取,基于所提取特征对目标无人机进行分类,将具有中心对称红外特征的无人机分类为多旋翼无人机,将具有左右相对称红外特征的无人机分类为固定翼无人机;将具有左右对称红外特征并且围绕对称中心存在多个低亮度热点的无人机确定为复合翼无人机。由于拍摄过程中,不可能从无人机正上方或者正下方进行拍摄,所以无人机的对称性在红外图像中是存在畸变的。所以很难基于图像中的亮点之间的距离来直接进行对称性判断。不过,发明人发现,尽管存在图像中对称性的畸变,不管无人机朝哪个方向被拍摄到,线对称的无人机红外图像在无人机图像中却存在着高亮点连线所构成的弧形构造的弯曲方向是大体不发生改变的,而对于多旋翼无人机而言,其高亮区会形成大体菱形的构造,该菱形构造随着角度的变化会发生姿态的变化。
在一种实现方式中,对于图像进行处理可以采用现有的基于深度学习的图像分类方法。虽然在图像拍摄时,由于拍摄角度是从侧方位进行的,而不是从下向上进行拍摄,但是经过仔细研究,对于多旋翼和固定翼无人机而言,其特征点的分布却是可以区分的,中心对称构造的无人机在图像中的热点大体呈菱形或者扁多边形,而左右对称构造则依然大体呈线性或弧形。采用现有图像分类方法,基于几种不同类型无人机在不同角度的红外图像作为训练图像,进行分类模型训练,模型可以直接购买并采用现有图像分类模型,这里不再详述。
但是基于深度学习的图像分类方法一般需要大量的训练数据,并且定制商用软件成本较高。
针对上述问题,在另一种优选实现方式中,提出基于图像自身信息进行对称性判断的方法。
因此,针对上述问题,发明人发现,对于线对称的无人机而言,其线性对称性不会随着无人机自身的旋转或者观察方向的改变而发生改变,而对于中心对称的无人机而言,其红外特征的线性对称性会随着旋转而改变,因此,在一种优选实现方式中,将红外摄像装置设置在被保护设施的非中心位置,并且持续基于目标无人机的红外特征进行其线性对称性进行判断,当其线性对称性特征的变化幅度超过预定阈值时,认定其为中心对称的四旋翼无人机。
线性对称性特征的判断过程为:(1)从红外图像中首先确定亮度高于其他区域的高亮区域,基于高亮区域在连续若干张红外图像中出现的位置变化幅度排除鸟类等干扰特征,锁定目标无人机区域,基于目标无人机所在方位调整焦距,对目标无人机图像进行放大拍摄;(2)基于放大图像提取图像中的区域内的多个红外亮度高点(保留10个以内,比如,保留5个或者7个,因为一般无人机上不会超过10个发热点),确定上述高亮点坐标,(3)分别以任意一个亮度高点作为对称线上所在点,利用该点坐标,和与该点距离最远的两个高亮点的中点坐标连线,作为对称线,判断其余高亮点是否被平均划分在对称线两侧,若是,则进行下一步,否则重新选择高亮点重复该步骤,直到确定对称线上点。(4)计算对称线上点与对称线第一侧与其距离最远的第一点的距离h1和对称线上点与对称线第二侧与其距离最远的第二点的距离h2,对于对称线第一侧的各个高亮点,将其与对称线上点的距离乘以比例系数h2/h1,与对称线第二侧的对应点与对称线上点的距离做差,(即,将对称线上点一侧的点与另一侧的点一一配对,并计算二者与对称线上点的距离,将各组的两个点与对称线上点的距离差的平方和相加并进行开方处理,作为该点的对称性误差,(5)若满足步骤(3)中判断条件的点不止一个点,则分别计算以各个点为对称线上点而计算获得的对称性误差,选取对称性误差最小的点作为对称线上点。对于持续或间隔拍摄的红外图像,不断计算基于图像所确定的对称线相对于X轴或Y轴的夹角以及对称线上点与其他高亮点的线对称性误差的变化率,当基于图像所确定的对称线相对于X轴或Y轴的夹角或者对称线上点与其他高亮点的线对称性误差变化率中的任意一个超过预定阈值时,认定该目标无人机为中心对称的多旋翼无人机。之所以采用这种方式进行判断,是因为多旋翼无人机虽然具有中心对称性,但是,中心对称的构造在无人机旋转过程中,其由于拍摄角度造成的畸变会引起基于其图像所确定的对称线发生大幅度变化,而基于线对称的无人机其线对称性则变化趋势相对平缓。
在另一种优选实现方式中,在进行红外旋转扫描过程中,基于无人机的图像在红外摄像装置中所成图像的位置(更具体而言,基于无人机图像的中心像素y1与红外摄像装置的中心像素y2的距离)、当前红外摄像装置的俯仰角度α,估算无人机相对于红外摄像装置的俯仰角度。假设当前红外摄像装置的物方焦平面的距离为L,红外摄像装置的最大视场角为90度,假设摄像装置的角度畸变可以忽略,则,无人机所处角度大体为:α+(y2-y1)90/y。其中,y为红外摄像装置的总像素行数。
则无人机所处的大体高度为H+L*sin(α+(y2-y1)90/y)。
对于不同类型的无人机分别采用不同的捕获方案。比如,对于多旋翼无人机采用快速、主动捕获方式,对于固定翼无人机,采用预判路线在路向前方进行拦捕的方式。对于复合翼无人机,则基于当前无人机的工作状态,当其红外特征中,线对称的红外特征亮度高于中心对称红外特征时,说明其以固定翼方式飞行,采用固定翼无人机的捕获方式,当中心对称红外特征的亮度高于线对称的红外特征亮度时,采用多旋翼无人机的捕获方式。
采用这种方式,可以有效地进行无人机类型以及无人机当前飞行模式的判定,进而更好地确定对于无人机的捕获策略。
但是,研究过程中发现了另一个问题,就是采用单台红外摄像装置进行拍摄时,发现当无人机的飞行高度与红外摄像装置的拍摄高度大体平齐时,即,无人机位于红外摄像装置的俯仰角10度以内范围时,会导致对于对称性判别的一定的误判率,这是因为虽然线对称的红外特征不管怎么旋转都是先对称的,但是,中心对称的红外特征在旋转到一定角度时,并且摄像机的拍摄俯仰角很小时,在一定时间内,会呈现线对称的特性。
在另一种优选实现方式中,采用两台或更多红外摄像装置,两台红外摄像装置的横向和/或纵向距离相差大于等于L*sin10°或者L*sin15°,并且,二者的俯仰角度相差10°。采用两台摄像装置,并且在二者在横向距离相差上述距离的情况下,分别对无人机进行红外成像,仅当两台红外摄像装置所拍摄的图像军判定目标无人机为线对称无人机时,才将其判断为线对称无人机。因为即便在拍摄角度很小的情况下,对于线对称无人机而言,不管怎样拍摄,其均是线性对称,而对于中心对称的无人机而言,即便在其一台摄像机中的图像被误判为线对称,而在另一台中,由于拍摄角度不同,其将不再是线对称(对称线角度会具有较大的变化率)。
研发过程中,采用各种类型无人机进行类型判断测试模拟,发现判断准确率可以达到95%以上,并且意外发现采用这种方式在夜间效果尤其好,通常的无人机监测方式在夜间都会大打折扣,而本发明方案的效果不降反升。不足之处在于,阳光过度充足时,部分无人机的反射表面会形成一定干扰。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述,本领域技术人员应该理解,上述实施例仅仅是对本发明的示意性实现方式的解释,并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案的等效变换、简单替换等显而易见的改变,均落在本发明保护范围之内。
Claims (9)
1.一种用于电力设施的无人机防御系统,其包括:
指挥调度中心、网关系统、无线电无源侦测系统以及威胁报警模块,
所述指挥调度中心通过网关系统分别与无线电无源侦测系统、威胁报警模块通信连接,指挥调度中心的服务器中集成有GIS地理信息系统;
无线电无源侦测系统包括至少一个侦测节点和无线电信号识别系统,所述侦测节点分布在目标设施的外周,用于采集无人机通信波形信号,
每个侦测节点包括侦测天线,侦测天线为全向天线,所述全向天线包括多个部署在不同方位的天线单元,每个天线单元上设置有调节俯仰角的档位,
其中,还包括红外无人机类型判别和跟踪装置,其包括红外摄像装置,红外图像特征提取装置以及图像分类装置,红外摄像装置设置于目标设施的最高点,安装在可旋转转台上,向各个方向进行拍摄,所述图像分类装置基于所述红外摄像装置所拍摄的无人机图像中红外热点的对称性进行无人机类型判别。
2.根据权利要求1所述的无人机防御系统,其特征在于,所述无线电无源侦测系统至少包括四个侦测节点,分别设置于目标电力设施的四角或四边。
3.根据权利要求1所述的无人机防御系统,其特征在于,各个侦测天线分别采集各自的无线信号,所述无线信号通过射频处理模块进行低噪声放大、滤波,然后下变频分别得到相应IQ信号数据,所述无线电信号识别系统接收所述IQ信号数据。
4.根据权利要求3所述的无人机防御系统,其特征在于,所述无线电信号识别系统中预存有当前各个主要机型的无线电信号特征谱,无线电信号识别系统基于所接收到的无线电信号进行特征提取,并将所提取的信号
与预存的信号频谱特征进行比对,获得相应的无人机类型以及频谱特性。
5.根据权利要求1所述的无人机防御系统,其特征在于,无线电无源侦测系统先用宽带接收模块接收整个工作频段的宽带时域信号,通过快速傅里叶变换转换为宽带频域信号,接着从宽带频域信号中抽取目标的窄带频域信号,并滤除其它信号,完成宽带频谱信息抽取窄带频谱信息的过程,再通过反傅里叶变换,将窄带频域信号转换为窄带时域信号,解调时域信号,然后将解调确认后的多个窄带信号的时间和频率进行排列,得到时间频率关系的序列。
6.根据权利要求5所述的无人机防御系统,其特征在于,所述图像分类装置基于下述方式进行无人机类别判断:(1)从红外图像中首先确定亮度高于其他区域的高亮区域,锁定目标无人机区域,基于目标无人机所在方位调整焦距,对目标无人机图像进行放大拍摄;(2)基于放大图像提取图像中的区域内的多个红外高亮点,确定上述高亮点坐标,(3)分别以任意一个高亮点作为对称线上所在点,利用该点坐标,和与该点距离最远的两个高亮点的中点坐标连线,作为对称线,判断其余高亮点是否被平均划分在对称线两侧,若是,则进行下一步,否则重新选择高亮点重复该步骤,直到确定对称线上点;(4)计算对称线上点与对称线第一侧与其距离最远的第一点的距离h1和对称线上点与对称线第二侧与其距离最远的第二点的距离h2,对于对称线第一侧的各个高亮点,将其与对称线上点的距离乘以比例系数h2/h1,与对称线第二侧的对应点与对称线上点的距离做差,将各组的两个点与对称线上点的距离差的平方和相加并进行开方处理,作为该点的对称性误差,(5)若满足步骤(3)中判断条件的点不止一个点,则分别计算以各个点为对称线上点而计算获得的对称性误差,选取对称性误差最小的点作为对称线上点;对于持续或间隔拍摄的红外图像,不断计算基于图像所确定的对称线相对于X轴或Y轴的夹角以及对称线上点与其他高亮点的线对称性误差的变化率,当基于图像所确定的对称线相对于X轴或Y轴的夹角或者对称线上点与其他高亮点的线对称性误差变化率中的任意一个超过预定阈值时,认定该目标无人机为中心对称的多旋翼无人机,否则为固定翼无人机。
7.根据权利要求6所述的无人机防御系统,其特征在于,所述判断还包括提取红外摄像图像中目标无人机区域中高亮点的数目以及高亮点的亮度值,判断所述高亮点是否超过5个,若所述高亮点数目超过5个,则基于所述高亮点的亮度值将各个高亮点进分类为第一高亮点和第二高亮点,判断所述第一高亮点和所述第二高亮点的对称性,若所述第一高亮点和第二高亮点中的一个满足线对称性,另一个满足中心对称性,则所述目标无人机为复合翼无人机。
8.一种利用权利要求1-5中任意一项所述系统进行电力设施无人机防护的方法,其特征在于,所述方法包括:
利用侦测天线分别采集各自的无线信号,将无线信号通过射频处理模块进行低噪声放大、滤波,然后下变频分别得到相应IQ信号数据,利用无线电信号识别系统接收所述IQ信号数据;
在所述无线电信号识别系统中预存有当前各个主要机型的无线电信号特征谱,无线电信号识别系统基于所接收到的无线电信号进行特征提取,并将所提取的信号与预存的信号频谱特征进行比对,获得相应的无人机类型以及频谱特性;
9.一种利用权利要求6-7中任意一项所述系统进行电力设施无人机防护的方法,其特征在于,所述方法包括:利用红外摄像装置拍摄目标无人机的红外热点图像,基于红外热点图像中无人机热点的对称性进行无人机类型判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414341.XA CN114111456B (zh) | 2021-11-25 | 2021-11-25 | 一种电力变电站及重要设施无人机防御系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414341.XA CN114111456B (zh) | 2021-11-25 | 2021-11-25 | 一种电力变电站及重要设施无人机防御系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114111456A CN114111456A (zh) | 2022-03-01 |
CN114111456B true CN114111456B (zh) | 2023-05-09 |
Family
ID=80373363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111414341.XA Active CN114111456B (zh) | 2021-11-25 | 2021-11-25 | 一种电力变电站及重要设施无人机防御系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114111456B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115308813B (zh) * | 2022-10-10 | 2023-08-22 | 成都本原聚能科技有限公司 | 基于深度学习的双定向天线无人机侦测系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9715009B1 (en) * | 2014-12-19 | 2017-07-25 | Xidrone Systems, Inc. | Deterent for unmanned aerial systems |
EP3410620B1 (en) * | 2017-06-02 | 2021-09-22 | Rohde & Schwarz GmbH & Co. KG | Jamming device and jamming method |
CN108280395B (zh) * | 2017-12-22 | 2021-12-17 | 中国电子科技集团公司第三十研究所 | 一种对低小慢无人机飞控信号的高效识别方法 |
CN109088695B (zh) * | 2018-07-24 | 2019-08-23 | 广州海格亚华防务科技有限公司 | 一种无人机侦测防御系统及方法 |
CN109981192B (zh) * | 2019-04-08 | 2020-12-15 | 南京利是德电子科技有限公司 | 一种空域反黑飞无人机的频谱监测方法 |
CN110247729B (zh) * | 2019-07-18 | 2022-01-14 | 中电科思仪科技股份有限公司 | 一种无人机实时跟踪与快速反制一体化控制系统及方法 |
CN111739349B (zh) * | 2020-07-28 | 2021-01-01 | 北京环境特性研究所 | 一种用于石油石化领域的无人机综合管控系统 |
-
2021
- 2021-11-25 CN CN202111414341.XA patent/CN114111456B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114111456A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11328609B2 (en) | Unmanned vehicle recognition and threat management | |
US10621443B2 (en) | Systems, methods, apparatuses, and devices for identifying, tracking, and managing unmanned aerial vehicles | |
US10025993B2 (en) | Systems, methods, apparatuses, and devices for identifying and tracking unmanned aerial vehicles via a plurality of sensors | |
Hood et al. | Estimating DoA from radio-frequency RSSI measurements using an actuated reflector | |
US10317506B2 (en) | Systems, methods, apparatuses, and devices for identifying, tracking, and managing unmanned aerial vehicles | |
US10025991B2 (en) | Systems, methods, apparatuses, and devices for identifying, tracking, and managing unmanned aerial vehicles | |
US20240015267A1 (en) | Systems, methods, apparatuses, and devices for radar-based identifying, tracking, and managing of unmanned aerial vehicles | |
WO2020236328A2 (en) | Uas detection and negation | |
Shi et al. | Detection of LSSUAV using hash fingerprint based SVDD | |
CN114111456B (zh) | 一种电力变电站及重要设施无人机防御系统 | |
Dressel et al. | Efficient and low-cost localization of radio signals with a multirotor UAV | |
CN111948461A (zh) | 基于无人机智能飞行轨迹控制的电磁辐射检测装置及方法 | |
CN110087233B (zh) | 一种基于射频指纹的无人机身份认证方法 | |
CN109640255B (zh) | 位置指纹室内定位系统及方法 | |
Jeong et al. | Directional RSS-based localization for multi-robot applications | |
JP5127748B2 (ja) | 質問信号送信方法 | |
Raja | Uncover the power of multipath: Detecting nlos drones using low-cost wifi devices | |
Ezuma et al. | UAV Detection and Identification | |
CN114358069A (zh) | 一种基于无人机的无源探测干扰自动化方法及系统 | |
Kandoi et al. | Image Enhancement Using Surveillance System for Dead Zone | |
CN104613926A (zh) | 面向巡检无人机视觉导航的输电线路方向检测方法 | |
Latroch et al. | A hybrid Radio-vision fault tolerant localization for mini UAV flying in swarm | |
Latroch et al. | A Radio-vision localization for small UAVs flying in swarm. | |
CN116996826A (zh) | 基于无人机的定位方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |