[发明专利]一种基于深度学习的反无人机无人值守系统及方法

权利要求书

1.一种基于深度学习的反无人机无人值守系统，其特征在于，包括频谱探测器、雷达模块、光纤收发器、编码设备、光电观瞄跟踪仪、反制设备、交换机、路由器、拓展应用模块、系统管控平台、NVR存储器、上级客户端；所述光纤收发器连接频谱探测器、雷达模块、反制设备、交换机和编码设备；所述编码设备还连接有光电观瞄跟踪仪；所述交换机还连接有系统管控平台、NVR存储器和路由器；所述路由器还连接有拓展应用模块；所述拓展应用模块还连接有上级客户端；

其中，该基于深度学习的反无人机无人值守系统被配置为执行以下步骤：

S1、雷达模块利用电磁波探测目标的高度信息、距离信息、速度信息，频谱探测器探测目标的频率和方位信息，并将上述目标信息上传给系统管控平台；

S2、系统管控平台将接收到的上述目标信息通过重叠方位融合成一种具有目标的高度、距离、速度、频率和方位的信息；

S3、融合的信息依据目标的属性信息通过不同的权重初步评判目标的优先级，通过权重数值计算，生成目标的优先级列表；

S4、系统管控平台从目标的优先级列表中选取一条最高级别的目标信息，并在系统中调度距离目标最近的光电观瞄跟踪仪指向到目标的水平和俯仰方位，并依据光电观瞄跟踪仪和目标的距离将光电摄像机的焦距拉到合适的位置；

S5、同步开启AI智能算法对目标进行危险等级分析，并将分析结果反馈给系统管控平台；

S6、系统管控平台依据分析结果和预先设定的相应处置措施控制反制设备对目标进行放行、驱离、打击；

S7、处置后系统自动记录相应的信息，并将事件结果进行上报给上级客户端，再依据目标优先级处理其它可疑目标。

2.根据权利要求1所述一种基于深度学习的反无人机无人值守系统，其特征在于，所述雷达模块为三坐标雷达模块。

3.根据权利要求2所述一种基于深度学习的反无人机无人值守系统，其特征在于，所述三坐标雷达模块通过厂家的私有协议或者系统管控平台指定的协议接入反无人机无人值守系统。

4.根据权利要求2所述一种基于深度学习的反无人机无人值守系统，其特征在于，所述三坐标雷达模块采用电磁波探测目标。

5.根据权利要求1所述一种基于深度学习的反无人机无人值守系统，其特征在于,所述反制设备通过485串口与系统管控平台连接。

6.根据权利要求1所述一种基于深度学习的反无人机无人值守系统，其特征在于,所述光电观瞄跟踪仪上带有光电摄像机。

7.一种基于深度学习的反无人机无人值守的方法，其特征在于，具体包括以下步骤：

S1、雷达模块利用电磁波探测目标的高度信息、距离信息、速度信息，频谱探测器探测目标的频率和方位信息，并将上述目标信息上传给系统管控平台；

S2、系统管控平台将接收到的上述目标信息通过重叠方位融合成一种具有目标的高度、距离、速度、频率和方位的信息；

S3、融合的信息依据目标的属性信息通过不同的权重初步评判目标的优先级，通过权重数值计算，生成目标的优先级列表；

S4、系统管控平台从目标的优先级列表中选取一条最高级别的目标信息，并在系统中调度距离目标最近的光电观瞄跟踪仪指向到目标的水平和俯仰方位，并依据光电观瞄跟踪仪和目标的距离将光电摄像机的焦距拉到合适的位置；

S5、同步开启AI智能算法对目标进行危险等级分析，并将分析结果反馈给系统管控平台；

S6、系统管控平台依据分析结果和预先设定的相应处置措施控制反制设备对目标进行放行、驱离、打击；

S7、处置后系统自动记录相应的信息，并将事件结果进行上报给上级客户端，再依据目标优先级处理其它可疑目标。

8.根据权利要求7所述一种基于深度学习的反无人机无人值守的方法，其特征在于,所AI智能算法为卷积神经网络智能算法。

9.根据权利要求7所述一种基于深度学习的反无人机无人值守的方法，其特征在于,所相应处置措施为若上述目标在系统设定的白名单内，则只做相关数据记录，不对该目标做据制止处理；若上述目标为非法目标且在预警区域外，则做驱离处理；若上述目标为非法目标且出现在预警区域内，则反制设备直接开启打击处置。