最近看到一篇论文，主要内容是使用AI模型检测识别无人机射频信号，简单介绍一下。
论文《RFUAV: A Benchmark Dataset for Unmanned Aerial Vehicle Detection and Identification》，第一单位是浙江理工大学，发表日期20250318。论文提到的AI模型和数据集作者已开源发布。论文主要贡献是创建了一个较大规模的数据集；提供了基础AI模型的表现参照，比如ViT，SwinTransformer，YOLO，ResNet，Faster R-CNN，EfficientNet，MobileNet；几种信号处理技巧，比如估计带宽、中心频率和信噪比，3D频谱图等。
一、数据采集
作者先是用USRP X310采集了37种无人机或遥控器，不同信噪比下的1.3TB数据。
二、信号分析之STFT
然后绘制IQ数据的时频图(STFT），将时域信号变为频域，生成AI擅长处理的图像数据。选择合适的fft点数很重要，下图就是不同点数的STFT效果。fft点数太少，频域分辨率很低信号能量不突出，点数太多时间分辨率很低，多次图传的信号可能粘成一个整体，无法分辨出细节。
三、信号特征参数
作者分析了不同无人机信号的基本特征。时域上如图传每次传输持续时长（ms)，两次传输的间隔时间（ms)。频域上如信号带宽，跳频规律。
四、AI模型训练
论文AI模型分2步，第一步是使用YOLO检测时频图上的无人机或者遥控器目标，通俗地说就是先框出来信号；第二步是使用ResNet做一个识别分类网络，对不同目标进行分类，识别出是不是无人机信号，具体是哪种机型。
论文比较了不同AI模型的Acc（识别准确率）。
论文认为时频图片的不同colorMap也就是颜色映射会影响识别率（个人觉得这比较扯）。比较了不同点数fft时频图的AI识别的OA（整体准确率）。
五、运行效果
个人认为本文献的最大贡献是提供了一个很好的数据集，采样率100M，数据信噪比都比较高。检测方法提供了一些参考和借鉴。作者训练和验证，都是人工加白噪声来模拟不同信噪比的情况，个人认为这不符合实际。频谱检测识别的最大难点是，在实际ISM频段通信非常频繁，这些视频上清晰的图块经常会被其它信号遮挡。AI识别是否还有很高的准确率，需要验证。