一种基于图像处理的电磁信号端到端智能检测识别方法与流程

本发明涉及信号检测识别领域，具体涉及一种基于图像处理的电磁信号端到端智能检测识别方法。

背景技术：

1、传统的电磁信号检测与识别技术遵循串行流程，即首先进行信号检测，随后实施目标识别。在信号检测阶段，常用的方法包括频域分析、时频谱分析以及小波变换分析。这些技术通过分析不同变换域上的谱数据，运用谱峰搜索、信号参数测量等手段，依据预设的门限准则来识别目标信号的存在。这类算法因其相对较低的复杂度和易于工程化的特点，在多种场景中得到广泛应用。

2、然而，传统检测方法的性能高度依赖于噪声统计和门限设置的准确性，特别是在复杂电磁环境与低信噪比条件下，信号检测的准确率显著下降，虚警率升高。这不仅限制了后续目标识别的性能，也使得整体系统难以应对日益复杂的电磁环境挑战。

3、为了克服上述局限性，近年来，人工智能技术，特别是机器学习与深度学习，被引入到电磁信号检测与识别领域，展现出巨大的潜力。机器学习方法通过提取信号的频域、时域或复频域特征，利用诸如随机森林、梯度提升树等算法，增强信号与噪声的区分能力。而深度学习策略，则直接使用标记后的射频或频谱数据训练神经网络，如yolo、resnet、rnn和cnn，以实现更精准的目标信号识别。

4、尽管人工智能方法在信号检测与识别方面取得了显著进展，但它们仍面临两大主要挑战。一方面，智能处理算法的高计算复杂度与有限计算资源之间的矛盾，制约了信号的实时处理能力。另一方面，当前的智能算法多专注于信号的有无判断和粗略分类，缺乏对信号具体参数(如频率、带宽、占空比)的有效提取，而这些参数对于后续的信号处置至关重要。

技术实现思路

1、基于背景技术中的现状，本发明的目的在于解决现有电磁信号检测方法在复杂电磁环境或低信噪比情况下检测准确率低、虚警率过高的问题，因此提出了一种基于图像处理的电磁信号端到端智能检测识别方法。本发明基于端到端的处理思路，在满足实时处理的性能需求下，提高复杂电磁环境下的检测识别准确率，并可同时提取信号时频特征参数，实现已知电磁目标信号端到端的高效检测与准确识别。

2、本发明采用了以下技术方案来实现目的：

3、一种基于图像处理的电磁信号端到端智能检测识别方法，所述方法包括如下步骤：

4、s1、获取拟用于电磁信号智能检测识别的基础模型并进行结构改进；

5、s2、采集训练用射频信号，构建用于模型训练的射频信号数据集；

6、s3、使用射频信号数据集对结构改进后的基础模型进行离线训练，离线训练完成后得到电磁信号智能检测识别模型；

7、s4、获取待识别射频信号，输入至电磁信号智能检测识别模型，进行目标信号检测识别与参数测量分析，输出目标识别结果。

8、优选的，步骤s1中，依据多种网络模型特征与检测识别性能的对比结果，选择yolox模型作为拟用于电磁信号智能检测识别的基础模型。

9、具体的，将yolox模型对低于预设阈值的像素信号的检测能力作为结构改进的约束条件，来对yolox模型进行结构改进，得到yolox-4f模型，用于后续的离线训练过程。

10、进一步的，yolox模型原有的head结构中具有三个检测头，在进行结构改进时，在head结构中再添加一个相同的检测头，使得结构改进后的head结构中具有四个检测头，从而得到yolox-4f模型；新添加的检测头的输入层次更浅，即低于原有的三个检测头的输入层次；在yolox-4f模型中，输入数据依次经过cspdarknet结构、pafan结构和head结构后，输出目标识别结果；对于head结构中新添加的第四个检测头，其输入由cspdarknet结构中最低阶段的残差模块输出的特征层与pafan结构中对应拼接处的上一层特征相结合后得到，从而使得yolox-4f模型具备识别输入数据对应原始图像中最小像素粒度为4×4的目标。

11、具体的，步骤s2中，采用射频采集接收机采集训练用射频信号，对训练用射频信号进行时频转换，构建射频信号数据集。

12、优选的，采集训练用射频信号并进行预处理操作，具体为：采集完整时域射频iq信号，按照固定时间节拍t分成若干子段射频iq信号，每段射频iq信号都通过stft方式转换为时频谱图，其维度为[t,m]，其中t为谱帧数，m为帧长。

13、进一步的，基于时频谱图，进行数据标注并构建射频信号数据集，具体为：对每个转换得到的时频谱图中的目标信号块进行标注，标注信息的内容包括信号块类别名称以及在时频谱图中的位置坐标；标注完成后，将全部时频谱图与对应的标注信息相关联后，即得到数据集d；采用随机方式将数据集d划分为训练集tra和验证集val，从而构建射频信号数据集。

14、优选的，步骤s3中，进行离线训练的过程包括训练参数设定、模型训练和模型评估三个部分，整个过程采用迭代步方式持续进行；迭代进行离线训练时，迭代退出依据为模型评估部分的目标识别要求值。

15、具体的，在训练参数设定部分中，设定学习率、训练优化器和训练轮数；

16、使用训练集tra，训练结构改进后的基础模型，对时频谱图中的目标信号块类别名称和位置坐标进行检测，并将每次迭代训练后得到的最后一个模型进行保存以完成当前迭代步的模型训练；

17、使用验证集val，对完成模型训练的结构改进后的基础模型进行推理，并使用map指标评估目标识别要求值；经过评估后，若目标识别效果满足要求，则完成离线训练，得到电磁信号智能检测识别模型；若目标识别效果不满足要求，则重新采集训练用射频信号并扩展训练集tra，再次迭代进行离线训练过程。

18、具体的，步骤s4中，在计算推理平台上部署电磁信号智能检测识别模型，实时采集待识别射频信号，待识别射频信号与射频信号数据集具有相同维度的时频谱图，将待识别射频信号输入至电磁信号智能检测识别模型后，输出得到目标识别结果，完成电磁信号端到端智能检测识别过程。

19、综上所述，本发明的核心是采用改进后的yolox模型，这一模型显著提升了对像素粒度不低于4×4的任意已知电磁目标信号的识别准确性。与传统的电磁信号检测与识别技术相比，本发明的有益效果如下：

20、本发明采用了端到端的处理架构，将电磁信号的检测与识别过程融合为单一步骤，直接从电磁信号的时频谱输入中输出目标的识别类型及参数，消除了传统方法中检测与识别环节的分离，提高了整体处理效率和精度。

21、在复杂电磁环境与低信噪比条件下，本发明的识别处理能力突出，能够有效解决传统方法因识别结果严重依赖于检测性能而难以满足的挑战，显著增强了系统的鲁棒性和可靠性。

22、相较于通用人工智能方法，本发明通过特定优化改进，解决了识别参数维度不足的问题，同时降低了处理复杂度，使得实时处理能力大幅提升，尤其适用于实时监控与快速响应的应用场景。通过实时处理能力和高精度识别，本发明有助于推动电磁信号处理系统的智能化升级，为未来智能网络、物联网等领域的技术创新提供基础支持。