antenna interference source dataset

本数据集由华南师范大学创建，专门用于无人机天线干扰源检测。数据集包含多种天线类型的高分辨率图像，旨在帮助训练和验证基于计算机视觉的检测模型。数据集的创建过程结合了实际场景中的天线图像采集和标注，确保了数据的真实性和多样性。该数据集主要应用于无人机在复杂环境中进行实时干扰源检测，以提高通信网络的稳定性和可靠性。This dataset was developed by South China Normal University, specifically designed for UAV antenna jammer detection. It contains high-resolution images of various antenna types, intended to assist in training and validating computer vision-based detection models. The dataset construction process integrates antenna image acquisition and annotation in real-world scenarios, ensuring the authenticity and diversity of the collected data. This dataset is primarily utilized for real-time jammer detection by UAVs in complex environments, with the aim of improving the stability and reliability of communication networks.

搜集汇总

数据集介绍

构建方式

该数据集由工业无人机进行空中摄影，通过图像拼接策略增强数据集，选择高分辨率1920×1080图像进行544×544局部图像裁剪，并随机翻转、倒置和组合以创建1088×1088的拼接图像。最终数据集分为训练集（600张）和验证集（200张），比例为3:1，并由专业人员进行标注，包含约3200个天线目标。

使用方法

该数据集可用于训练和验证基于计算机视觉的天线干扰源检测模型。用户可以通过加载训练集和验证集进行模型训练，利用标注信息进行监督学习，并通过验证集评估模型性能。数据集的高分辨率和专业标注确保了模型在实际应用中的高精度和可靠性。

背景与挑战

背景概述

在第五代（5G）通信时代，消除通信干扰源对于维持网络性能至关重要。干扰通常源自未经授权或故障的天线，而无线电监测机构每年必须处理大量此类天线源。无人机（UAVs）可以提高检查效率，但现有仅依赖云端（CO）人工智能（AI）模式的数据传输延迟无法满足实时性能的低延迟要求。因此，我们提出了一种基于计算机视觉的物联网（AIoT）系统，用于检测无人机天线干扰源。该系统采用优化的边缘云协作（ECC+）模式，结合关键帧选择算法（KSA），旨在减少端到端延迟（E2EL）并确保可靠的数据传输，这与超可靠低延迟通信（URLLC）的核心原则相一致。

当前挑战

该数据集面临的挑战包括：1) 解决图像分类问题的挑战，特别是在高分辨率图像中检测小型天线干扰源；2) 构建过程中遇到的挑战，如在复杂背景下准确检测天线，以及在构建数据集时处理高分辨率图像带来的内存和能量消耗问题。此外，现有轻量级检测器在实际干扰源检查任务中难以平衡准确性和效率。

常用场景

经典使用场景

在第五代（5G）通信时代，消除通信干扰源对于维持网络性能至关重要。干扰通常源自未经授权或故障的天线，无线电监测机构每年必须处理大量此类天线源。无人机（UAVs）可以提高检查效率。然而，现有仅基于云（CO）的人工智能（AI）模式的数据传输延迟无法满足实时性能的低延迟要求。因此，我们提出了一种基于计算机视觉的AIoT系统，用于检测无人机天线干扰源。该系统采用优化的边缘-云协作（ECC+）模式，结合关键帧选择算法（KSA），旨在减少端到端延迟（E2EL）并确保可靠的数据传输，这与超可靠低延迟通信（URLLC）的核心原则相一致。

解决学术问题

该数据集解决了在5G时代中，如何通过无人机实时检测和定位天线干扰源的学术研究问题。传统的云端处理模式由于数据传输延迟高，无法满足实时性要求。通过引入边缘计算和AIoT技术，结合优化的边缘-云协作模式，显著降低了端到端延迟，提高了检测精度和系统的可靠性。这不仅提升了网络性能，还为无人机在复杂环境中的应用提供了新的解决方案。

实际应用

在实际应用中，该数据集和相关技术可以广泛应用于无线电监测领域，帮助监测机构快速定位和处理干扰源。无人机配备该系统后，能够在难以到达的区域进行高效巡检，显著提高工作效率。此外，该技术还可应用于其他需要实时数据处理和分析的场景，如智能交通、环境监测等，具有广泛的应用前景。

数据集最近研究

最新研究方向

在第五代（5G）通信时代，消除通信干扰源对于维持网络性能至关重要。无人机（UAVs）在提高检查效率方面展现出巨大潜力，但其数据传输延迟问题仍需解决。最新的研究方向集中在通过边缘-云协作（ECC+）模式，结合关键帧选择算法（KSA），实现实时AIoT系统，以检测无人机天线干扰源。该系统通过优化端到端延迟（E2EL）和确保可靠数据传输，显著提升了检测精度和系统效率，为超可靠低延迟通信（URLLC）提供了新的解决方案。此外，该研究还涉及多无人机协同检查的路径规划，展示了系统在实际应用中的扩展性和稳定性。

相关研究论文

• Real-Time AIoT for UAV Antenna Interference Detection via Edge-Cloud Collaboration

  华南师范大学 · 2024年