一种基于改进YOLOv5的通信信号检测与识别方法

本发明涉及信号检测与识别，更具体地来说是涉及一种基于改进yolov5的通信信号检测与识别方法。

背景技术：

1、数十年来，随着移动通信技术的迅猛发展，尤其是近年来5g的全面铺开，物联网浪潮开始掀起，各种通信设备不断涌现，无线频谱资源日益紧张，无线电磁空间也愈发地复杂多变。为了保证无线频谱资源的合法与合理应用，维护无线通信环境，频谱监测成为无线通信领域中的重要研究课题。

2、频谱监测主要负责对无线电通信信号的监听、测量、分析和判定，以掌握无线电磁空间频谱的使用情况、信号源的存在情况等，实现对无线电的管理和调度。在频谱监测的过程中，往往面对的是非合作通信的情况，即作为接收端的监测方无法和发射端事先确认通信信号的先验信息，通信信号均是盲信号。盲信号的检测与识别是盲信号处理的开端，也是在非合作通信下频谱监测最为重要的一步。因此，本文主要对非合作通信下通信信号的检测与识别展开研究。

3、在非合作通信下实现对信号的检测与识别，是频谱监测的重要部分，其主要目标是对通信信号的存在性、载频、带宽、时长、调制方式等参数进行估计与识别，为后续进行的信道编码、信源编码、信源身份、通信信息等参数的识别解密打下基础。

4、通信信号检测与识别算法随着移动通信技术的普及一直是研究的热门主题，但传统的检测与识别算法往往有以下缺陷：传统算法极度依赖通信信号关键特征的提取，包括瞬时幅度、功率谱以及高阶统计量等，且处理过程复杂、计算。

5、随着人工智能(artificial intelligence，ai)技术的快速发展，尤其是深度学习，结合深度学习技术实现通信信号的检测与识别成为研究的新方向。通信信号的检测与识别本质上仍然是对信号特征的提取与归纳，并依此完成分类。深度学习，通过模拟人脑的认知结构建立学习模型，获取强大的特征提取能力，解释输入的各种数据，在分类问题上具有显著的优势。利用深度学习强大的特征学习能力，设计高效的信号检测与识别网络模型，实现非合作通信下通信信号检测与识别系统具有极高的现实意义。

6、基于深度学习的传统信号检测识别算法一般只面向通信信号的单个参数特征进行检测，当面向信号多个参数检测时，往往需要联合多个算法，无法进行广泛的应用。特别是面对信号的时长、载频、带宽等参数时，面向目标分类任务的深度学习模型很难实现分类功能，因为这些参数类别数几乎无法穷举。深度学习虽然在特征学习，拟合分类上具有显著优势，但深度学习的性能往往依赖于复杂网络模型，而复杂网络模型的应用推理最终都依赖于本地的硬件资源，不便于应用部署。

技术实现思路

1、技术问题：本发明的目的是提供一种基于改进yolov5的通信信号检测与识别方法，该方法提出了一种信号检测识别方案，可以实现信号采集、处理、训练、实时检测识别等一系列功能，且整体便于在各种平台上迁移部署。本发明在通信信号多参数的实时检测识别上具有较高的识别性能，且只使用一个模型计算量较小、在各种终端设备的应用部署难度低。

2、技术方案：为了实现上述发明目的，本发明提供的一种基于改进yolov5的通信信号检测与识别方法通过信号时频图可以实现通信信号存在性、带宽、载频、时长以及调制方式等特征的实时识别提取。

3、该方法包括如下步骤：

4、步骤1、获取通信信号时频图数据集：通过信号仿真得到通信信号仿真数据，再将信号仿真数据转换成信号时频图，得到通信信号时频图目标仿真数据集以及通过仪器、接收设备实测得到的通信信号时频图数据集，对通信信号时频图进行预处理，根据通信信号的时长、带宽、载频、存在性、调制方式的参数进行标注并划分为训练数据集和测试数据集；

5、步骤2、建立改进yolov5的模型，即在yolov5的主干网络中使用轻量化结构，并联合针对性尺度特征融合模块和特征注意模块对yolov5模型进行改进，针对性尺度特征融合模块基于双向特征金字塔bifpn进行改进，特征注意模块基于简单无参数注意力模块simam注意力机制构成；

6、步骤3、将训练数据集输入改进yolov5的模型中进行训练，得到训练好的改进yolov5模型；

7、步骤4、将测试数据集输入到训练好的改进yolov5模型，得到检测识别结果。

8、该方法具体包括以下4部分，

9、第一部分，使用接收设备通过线缆、天线实时接收通信信号，经过模数转换、信号处理、信号采集的步骤得到通信信号数据，将通信信号数据转换为信号时频图并实时传输；

10、第二部分，建立、训练和部署改进yolov5的模型，包括：建立改进yolov5的模型，即在yolov5的主干网络中使用轻量化结构，并联合针对性尺度特征融合模块和特征注意模块对其进行改进，针对性尺度特征融合模块基于bifpn进行改进，特征注意模块基于simam注意力机制构成，激活函数使用relu、leaky relu、swish、mish、prelu多种激活函数，损失函数使用iou、ciou、wise iou多种损失函数；训练改进yolov5的模型，即将训练数据集输入改进的yolov5模型中进行训练，得到训练好的改进yolov5的模型；部署改进yolov5的模型，即将训练好的改进yolov5的模型转换为适合部署的格式，采用tensorflow lite、onnx多种格式，并对训练好的改进yolov5的模型进行优化，采用int8、fp16、fp32多种量化方式和减枝操作，最后将模型部署到目标平台上，采用服务器、边缘设备、移动设备多种平台；

11、第三部分，将实时传输的信号时频图输入到部署的改进yolov5的模型中，进行实时检测识别，采用图片或视频输入方式；

12、第四部分，结合系统运行的时间、信号时频图的特征，将改进yolov5的模型的识别结果转换为通信信号的多个实时参数，包括将通信信号在时频图内的定位框转变为时长、带宽、载频、存在性等参数，将信号的目标种类转换为调制参数种类，同时对多个参数进行整理，形成更符合大众阅读习惯的检测识别报告。

13、所述在yolov5的主干网络中使用轻量化结构，该轻量化结构对yolov5中的标准conv单元、cbl单元、res unit单元、csp单元作出了轻量化改进，具体包括：

14、将标准conv单元进行了流程拆分，形成轻量化conv单元；首先对标准conv单元的输入进行平均拆分，拆分为两部分，一部分会按照标准的卷积过程进行卷积，卷积核尺寸不变，但输出通道数减半，得到一半的正常输出特征图；另一部分首先会通过卷积核尺寸1×1的标准卷积，再将卷积输出进行分组卷积，卷积核尺寸不变，输出通道数减半，分组数为输入通道数的1/4，得到另一半的输出特征图；两部分的输出特征图由拼接层拼接后进行通道重排形成完整的输出特征图；

15、将cbl单元中的标准conv单元用轻量化conv单元替代，同时将标准conv单元后叠加的bn层与relu层置于输出特征图拼接前，由两部分卷积过程输出各自执行，形成轻量化cbl单元；

16、将cbl单元中的标准conv单元的卷积过程用分组卷积过程替代，形成分组cbl单元；

17、将res unit单元中的cbl单元用轻量化cbl单元和分组cbl单元替代，形成轻量化res unit单元：首先将res unit单元的两路过程改为输入平均拆分，拆分为两部分；其中一部分将在res unit单元中的卷积核尺寸为1×1、3×3的cbl单元替换为卷积核为1×1的改进的cbl单元与卷积核为3×3的分组cbl单元，提取特征；另一部分采用了单独的1×1的cbl单元,负责输出特征尺寸维度的变化，不负责特征提取；最终将res unit单元中的相加层用拼接层替代，完成拆分部分各输出特征图的组合，并使用通道重排输出完整特征图；

18、将csp单元中的cbl单元、res unit单元由轻量化cbl单元、轻量化res unit单元替代，并进行结构精简形成了轻量化csp单元：首先将csp单元中存在的一路卷积核为1×1的cbl单元和一路卷积核为1×1的标准conv层合并为一路卷积核为1×1的轻量化cbl单元，后续两路操作共用该轻量化cbl单元的输出；同时将csp单元输出端的由卷积层、拼接层、bn层、relu层组成的卷积单元结构删除，只保留拼接层组合输出特征，并由通道重排完成后续处理。

19、所述针对性尺度特征融合模块，使用基于bifpn的针对性尺度特征融合模块；基于bifpn的针对性尺度特征融合模块隔断了小尺度特征向大尺度特征融合的路径，大尺度特征仅与适中尺度特征融合；针对性尺度特征融合模块以适中尺度为主，采用bifpn中的双向结构从适中尺度向上与向下分别融合特征，实现大尺度、小尺度特征提取；同时在适中尺度上增加一条额外路径，使三种尺度特征再次融合，从中提取最终的适中尺度特征。

20、所述使用基于simam注意力机制构成的特征注意模块；基于simam注意力机制的特征注意模块通过可分性搭配激活函数sigmoid实现对每一个神经元的权重分配，完成空间与通道注意力分配，添加在yolov5中不同尺度的特征的融合处以及基于bifpn的针对性尺度特征融合模块中对不同尺度的特征提取处。

21、所述对通信信号时频图进行预处理包括：对数据集进行加噪声、改变亮度、裁剪、平移、旋转和缩放处理；对时频图显示的时长范围、带宽范围、采样频率、功率显示范围调整。

22、所述根据通信信号的时长、带宽、载频、存在性、调制方式的参数进行标注包括：采用图形标注工具对训练集中的各个图像进行标注，采用代码按照规则自动生成标注文本文件。

23、有益效果：本发明公开了一种基于改进yolov5的通信信号检测与识别方法，通过信号时频图可以实现通信信号存在性、带宽、载频、时长以及调制方式等多个参数特征的实时识别提取。该方法使用了轻量化改进的yolov5，即在主干网络中使用轻量化结构改进降低计算量，并通过联合针对性尺度特征融合模块和特征注意模块增强识别能力。该方法提出了一种信号检测识别方案，可以实现信号采集、处理、训练、实时检测识别等一系列功能，且整体便于在各种平台上迁移部署。本发明在通信信号多参数的实时检测识别上具有较高的识别性能，且只使用一个模型计算量较小、在各种终端设备的应用部署难度低。