Deep neural networks algorithms for acoustic drone detection

Abstract

2010 yılında düzenlenen Tüketici Elektroniği Fuarında ilk ticari drone'nun tanıtılmasından bu yana endüstriyel, ticari ve kamu güvenliği gibi alanlarda bu araçların popülerliği artmaktadır. Bunun yanında Drone'ların kötü amaçlarla kullanıldığı, özelikle havaalanı, nükleer tesisi gibi yüksek güvenlik gerektiren yerlerde büyük zararlara yol açabildiği bilinmektedir. Sonuç olarak bu tür kritik alanlardaki izinsiz uçan drone ihlallerini tespit etmek ve gerekli uyarıları oluşturmak önemli bir gereksinimdir.Derin öğrenme modellerinin tasarım ve uygulamasındaki son teknolojik gelişmeler, bu modelleri konuşma, müzik, çevresel sesler ve görüntü tanıma gibi çeşitli klasik problemlerin çözümünde tekrar gündeme getirmiştir. Evrişimsel Sinir Ağları (CNN'ler) ve Tekrarlayan Sinir Ağları (RNN'ler) yaygın olarak kullanılan modelleridir. RNN'lerin doğal dil işleme uygulamaları gibi çeşitli sıra verileriyle ilgili görevlerde dikkate değer bir performans gösterdiği bilinmektedir. Öte yandan, evrişimsel modeller, bilgisayarlı görme görevleri için görüntü sınıflandırma ve nesne tanımada büyük başarı elde etmektedir.Bu tezin ana amacı akustik drone tespitinde güçlü ve verimli bir derin öğrenme modeli önermektir. Bu bağlamda drone seslerinin tanınması için toplanan veri setleri üzerinde hem RNN hem de CNN modelleri oluşturulmuştur. Bunun yanında akustik özelliklerin çıkarılmasında MFCC ve Mel-ölçekli filtre bankaları kullanılmıştır. Yapılan çeşitli denemelerle, Mel-ölçekli filtre bankası kullanan CNN modeli ile 32 KHz örnekleme oranında en iyi sınıflandırma performansı elde edilmiş ve gösterilmiştir.Anahtar Kelimeler: Derin öğrenme, Evrişimsel Sinir Ağları (CNN'ler), Tekrarlayan Sinir Ağları (RNN'ler), Akustik özellikleri, MFCC, Mel-ölçekli filtre bankaları

In 2010, the first commercial drone was presented at Consumer Electronics Show (CES), and since this date drones are becoming increasingly popular in various industrial, commercial, and public-safety areas. However, drones can be used in several illegal activities, and they pose serious challenges especially in highly security-sensitive areas such as airports and nuclear plants. As a consequence, effective counter measures are highly required in order to detect and report a drone flying over such restricted areas.Recent advances and fast developments in the design and implementation of deep learning models lead us to apply them in several recognition tasks such as speech, music, environmental sounds, and image recognition. Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs) are two widely used deep learning models, where RNNs show remarkable performance in several sequence data related tasks such as natural language processing applications. On the other hand, convolutional models considerably success in image classification and object recognition for computer vision tasks.The main goal of the thesis is to develop a powerful and efficient deep learning model for acoustic drone detection. In this context, we investigate the results of the drone's sound recognition scheme based on RNNs and CNNs that are trained using our collected dataset; we also investigate the influence of acoustic features extraction techniques such as MFCCs and Mel-Scale Filter Banks on model's classification performance with different sampling rates. It is verified with various experiments that the CNN model with Mel-scale filter banks as a feature extraction technique with 32 KHz unified sampling rate gives the best classification performance.Keywords: Deep Learning, Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Acoustic Features, Mel Frequency Cepstral Coefficients MFCCs, Mel-Scale Filter Banks