谢宁宇团队在《电脑与电信》发表无人机探测系统相关论文

　　阜阳职业技术学院信息与智能制造学院谢宁宇团队在《电脑与电信》发表论文《基于深度学习的无人机探测系统搭建与优化》，针对传统雷达难以精准探测低空小型无人机的痛点，研发出一套融合边缘计算与深度学习的探测系统，选用Jetson Nano硬件平台与YOLOv8算法并完成多项优化，实测各项性能指标大幅提升，为低空无人机监管提供了低成本、高效率的新方案。

　　当下小型无人机应用日益广泛，但其违规飞行也给公共安全带来隐患。传统雷达面对低空小型无人机时短板突出，无人机雷达反射面积小，再加上复杂地面环境干扰，极易出现漏检、误检问题。为破解这一难题，谢宁宇团队搭建起分层式智能探测系统，整体分为感知、硬件、决策三大模块，架构清晰且扩展性强。

　　系统感知层依靠工业摄像头实时采集低空视频画面，并转化为图像帧完成数据输入;硬件层搭载Jetson Nano边缘计算设备，依托其低功耗、高性能的优势，搭配Ubuntu系统及各类算法工具库，实现数据低延迟处理;决策层采用YOLOv8目标检测算法，对图像数据进行分析识别，一旦发现无人机目标便立即触发预警。

　　为进一步提升检测效果，研究团队从多个维度对YOLOv8算法开展优化。通过图像旋转、缩放、加噪等数据增强手段，提升模型在复杂光照、背景下的适应性;利用K-means聚类重新设计锚框，适配小型无人机目标特征;运用模型剪枝技术精简网络结构，在控制精度损耗的同时，有效提升推理速度、降低硬件资源占用。实验显示，优化后的模型兼顾检测精度与运行效率，综合表现优于原版算法。

　　该系统硬件部署简单、使用成本低廉，在遮挡、逆光等真实复杂场景中也能稳定识别目标。此次研究成果有效弥补了传统探测技术的不足，为低空安防领域的无人机检测工作提供了实用的技术参考，也为边缘计算与深度学习技术在安防设备中的落地应用积累了实践经验。