基于毫米波SAR和CNN方法的综合建模和目标分类
Chandra Wadde1,2, Gayatri Routhu1,2, Mark Clemente-Arenas3
1Department of Electronics and Communication Engineering (ECE), SRM University AP, Amaravati 522502, India.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
这项研究使用毫米波雷达和人工智能识别枪支和刀具等武器. 该系统在分类威胁方面达到98%以上的准确性,改善了安全选.
科学领域:
- 应用物理 应用物理
- 计算机科学 计算机科学
- 电气工程 电气工程
背景情况:
- 安全选技术需要先进的威胁检测方法.
- 毫米波 (mm-Wave) 频率调制连续波 (FMCW) 雷达为高分辨率成像提供了潜力.
- 卷积神经网络 (CNN) 在图像分类任务中表现出色.
研究的目的:
- 开发和验证用于重建和分类隐藏武器的数值建模方法.
- 评估毫米波FMCW雷达与CNN相结合的安全应用的有效性.
主要方法:
- 武器图像的数据集被用来在MATLAB.中生成反射添加样本.
- 单静态2D合成孔径雷达 (SAR) 成像重建武器配置文件.
- 用Python编写的10层CNN对重建的武器图像进行了分类.
主要成果:
- 在大多数武器类别中,CNN模型实现了高精度,精度和回忆率超过98%.
- 数值建模方法成功重建了高分辨率的武器配置文件.
- 该系统在武器分类方面表现出了强度和可靠性.
结论:
- 拟议的毫米波雷达和基于CNN的方法显示了加强安全查的重大前景.
- 这项技术可以应用于各种安全检查点,以有效检测威胁.
- 进一步开发可能会导致更复杂,更可靠的安全系统.
