无人机的视觉探测从未被认为像热探测、无线电探测或声学探测那样有效。问题总是在于区分视野中不同的运动物体。通常情况下，一只鸟，甚至一个被风吹到的塑料袋都可能被误认为是无人机，这就是为什么过去大多数识别方法主要集中在热量和声学特征上(尽管声学特征在背景噪音水平较高的城市地区也往往变得不那么有用)。
然而，与机器学习相结合，相机可以讲述不同的故事。今天，这项新兴技术正在帮助国土安全部(DHS)科学技术理事会(S&T)和桑迪亚国家实验室仅通过视觉就创造了更精确的无人机探测能力。
科技工程顾问杰夫·兰多夫解释说:“如果你有一段视频，你就可以根据某些特征来识别它。”“你可以训练神经网络来识别模式，算法可以开始捕捉某些特征。”
到目前为止，无人机的视频仅限于原始数据分析，仅需要捕捉视频并从视频中学习。这与桑迪亚正在测试的新型时间频率分析(TFA)不同，后者更深入地研究图像。TFA分析图像中像素随时间波动的频率，而不是热特征、声音特征或表面价值，最终获得它所观察到的无人机的“时域频率特征”。以这种方式将强大的成像系统与机器学习相结合，只会使识别无缝化成为时间问题。
“目前的系统依赖于利用无人机发射的电子信号，”桑迪亚国家实验室(Sandia National Laboratories)的布莱恩娜·吴(Bryana Woo)说，“但它们无法探测到不发射和接收这些信号的无人机。”
以前，无人机可以通过接收遥控器和无人机之间的无线电信号来发现，但如果无人机很快就会自动驾驶，这种能力可能很快就会消失。另外，TFA在视频中捕捉数万帧，因此机器可以通过物体如何随着时间移动来了解物体及其关联。如果掌握了，TFA可能是迄今为止最精确的鉴别方法。
桑迪亚测试包括在流媒体摄像机上捕捉三种不同的多旋翼无人机的印象。每架无人机将前后、左右、上下飞行，摄像头将捕捉空间和时间位置。机器学习算法在拍摄的帧上进行训练。最终，分析呈现目标物体在其所有方向上的完整飞行路径。
为了挑战该系统，测试人员从更复杂的数据开始，在环境中提供了大量的杂波——鸟类、汽车和无人机周围的直升机。随着时间的推移，桑迪亚注意到系统在辨别一个物体是无人机还是鸟类的能力上有相当大的差异。
TFA与桑迪亚的合作是一个更大的科技努力的一部分，以跟上最新的无人机技术。在当前10年里，空中商用和私人无人机的数量预计将增加近两倍，这引发了人们的担忧:如何管理它们的交通、如何识别邪恶的无人机，以及如何将无人机与它们所处的环境区分开来。
总是会有新的检测障碍，这就是为什么科技公司从多个角度解决了邪恶的无人机问题——通过在营谢尔比为未来的非武装空中系统(UAS)交通管理系统开发DHS接口，并跟上最先进的反UAS能力。
贸易便利化协定仍在继续探讨。当一台机器可以开始使用时间频率分析轻松识别飞行中的无人机时，这将是科技及其合作伙伴在保护爱好者、商业行业和所有公民的天空安全方面迈出的一步。空域可以没有危险，只对快递和娱乐无人机开放，这些无人机承诺让美国人的生活更愉快。
桑迪亚开发的这项技术是美国专利申请编号16/ 141385的主题，名为“通过时间强度混叠的无人机系统(UAS)检测和评估”，于2018年9月24日提交。
了下:航空航天+国防
