CẢI TIẾN MẠNG YOLOv11 ĐỂ PHÁT HIỆN NHIỄU TẦN SỐ VÔ TUYẾN TRONG DỮ LIỆU SENTINEL-1A LEVEL1

Lưu Hoàng Đạt; Nguyễn Tiến Phát; Nguyễn Minh Tuấn; Ngô Xuân Sơn; Trần Văn Ánh

doi:10.34238/tnu-jst.12082

CẢI TIẾN MẠNG YOLOv11 ĐỂ PHÁT HIỆN NHIỄU TẦN SỐ VÔ TUYẾN TRONG DỮ LIỆU SENTINEL-1A LEVEL1

Thông tin bài báo

Ngày nhận bài: 18/02/25 Ngày hoàn thiện: 05/06/25 Ngày đăng: 08/06/25

Các tác giả

1. Lưu Hoàng Đạt, Đại học Kỹ thuật Lê Quý Đôn
2. Nguyễn Tiến Phát , Đại học Kỹ thuật Lê Quý Đôn
3. Nguyễn Minh Tuấn, Phòng Tham mưu - Cục Tác chiến điện tử
4. Ngô Xuân Sơn, Trung tâm 80 - Cục Tác chiến điện tử
5. Trần Văn Ánh, Viện Radar – Viện Khoa học và Công nghệ quân sự

Tóm tắt

Nhiễu tần số vô tuyến là một vấn đề đáng kể ảnh hưởng đến chất lượng dữ liệu ảnh vệ tinh Sentinel-1A Level-1, gây ra những khó khăn trong việc phân tích và ứng dụng dữ liệu. Do đó, việc phát hiện và loại bỏ nhiễu tần số vô tuyến là một bước quan trọng trong tiền xử lý dữ liệu Sentinel-1A. Nghiên cứu này tập trung vào việc phát triển một phương pháp phát hiện nhiễu tần số vô tuyến tiên tiến dựa trên mạng YOLOv11. Mô hình YOLOv11 là một mô hình mới nhất hiện nay với khả năng phát hiện đối tượng nhanh chóng và chính xác. Tuy nhiên, để nâng cao hiệu quả phát hiện trong dữ liệu Sentinel-1A, nghiên cứu này đã trình bày một mô hình cải tiến bằng cách tích hợp thêm Attention Module vào kiến trúc mạng là: ECA (Efficient Channel Attention), GAM (Global Attention Mechanism), SA (Shuffle Attention) và ResCBAM (ResBlock + Convolutional Block Attention Module). Bài viết cũng đã xây dựng một bộ dữ liệu được gán nhãn thủ công với độ chính xác cao phục vụ cho quá trình huấn luyện và đánh giá các mô hình. Kết quả thực nghiệm cho thấy phương pháp mô hình cải tiến YOLOv11+ SA có độ chính xác cao và tốc độ thực thi nhanh hơn so với mô hình ban đầu.

Từ khóa

Nhiễu tần số vô tuyến; Sentinel-1A Level-1; YOLOv11; Phát hiện đối tượng; Học sâu

Toàn văn:

PDF

Tài liệu tham khảo

[1] P. P. Sitompul, T. Manik, M. Batubara, and B. Suhandi, "Radio Frequency Interference Measurements for a Radio Astronomy Observatory Site in Indonesia," Aerospace, vol. 8, 2021, Art. no. 51.

[2] M. T. Gamba, B. D. Polidori, A. Minetto, F. Dovis, E. Banfi, and F. Dominici, “GNSS Radio Frequency Interference Monitoring from LEO Satellites: An In-Laboratory Prototype,” Sensors, vol. 24, 2024, Art. no. 508.

[3] X. Dong, Y. Sui, Y. Li, Z. Chen, and C. Hu, "Modeling and Analysis of RFI Impacts on Imaging between Geosynchronous SAR and Low Earth Orbit SAR," Remote Sensing, vol. 14, 2022, Art. no. 3048.

[4] W. Shen, Z. Qin, and Z. Lin, "A New Restoration Method for Radio Frequency Interference Effects on AMSR-2 over North America," Remote Sensing, vol. 11, 2019, Art. no. 2917.

[5] M.-G. Andrea, G. Davide, and R. Andrea, "Identification of C-Band Radio Frequency Interferences from Sentinel-1 Data," Remote Sensing, vol. 9, 2017, Art. no. 1183.

[6] D. Yi, F. Weiwei, Z. Zijing, Z.Feng, and L. Bingbing, "Radio Frequency Interference Mitigation for Synthetic Aperture Radar Based on the Time-Frequency Constraint Joint Low-Rank and Sparsity Properties," Remote Sensing, vol. 14, 2022, Art. no. 775.

[7] A. Recchia, N. Franceschi, A. Cotrufo, R. Piantanida, D. Giudici, and A. M. Guarnieri, "Exploiting Sentinel-1 data to assess Radio Frequency Interference impact on geosynchronous SAR," EUSAR 2021; 13th European Conference on Synthetic Aperture Radar, 2021, pp. 1-4.

[8] M. H. Same, G. Gleeton, G. Gandubert, P. Ivanov, and R. J. Landry, “Multiple Narrowband Interferences Characterization, Detection and Mitigation Using Simplified Welch Algorithm and Notch Filtering,” Applied Sciences, vol. 11, 2021, Art. no. 1331.

[9] G. Li, W. Ye, G. Lao, S. Kong, and D. Yan, "Narrowband Interference Separation for Synthetic Aperture Radar via Sensing Matrix Optimization-Based Block Sparse Bayesian Learning," Electronics, vol. 8, 2019, Art. no. 458.

[10] A. Chojka, P. Artiemjew, and J. Rapiński, “RFI Artefacts Detection in Sentinel-1 Level-1 SLC Data Based On Image Processing Techniques,” Sensors, vol. 20, 2020, Art. no. 2919.

[11] Z. Fu, H. Zhang, J. Zhao, N. Li, and F. Zheng, “A Modified 2-D Notch Filter Based on Image Segmentation for RFI Mitigation in Synthetic Aperture Radar,” Remote Sensing, vol. 15, 2023, Art. no. 846.

[12] W. Xing, W. Xu, P. Huang, W. Tan, J. Hu, and M. Zhang, "A Novel Radio Frequency Interference Suppression Method for SAR Based on Spectrum Extrapolation," Photonics & Electromagnetics Research Symposium - Fall (PIERS - Fall), 2019, pp. 1300-1305.

[13] Y. Huang, L. Zhang, J. Li, Z. Chen, and X. Yang, "Reweighted Tensor Factorization Method for SAR Narrowband and Wideband Interference Mitigation Using Smoothing Multiview Tensor Model," IEEE Transactions on Geoscience and Remote Sensing, vol. 58, pp. 3298 - 3313, 2020.

[14] H. Zhang, L. Min, J. Lu, J. Chang, Z. Guo, and N. Li, “An Improved RFI Mitigation Approach for SAR Based on Low-Rank Sparse Decomposition: From the Perspective of Useful Signal Protection,” Remote Sensing, vol. 14, 2022, Art. no. 3278.

[15] D. W. Shin, C. S. Yang, and S. J. K. Chowdhury, "Enhancement of Small Ship Detection Using Polarimetric Combination from Sentinel-1 Imagery," Remote Sensing, vol. 16, 2024, Art. no. 1198.

[16] J. Yu, J. Li, B. Sun, Y. Jiang, and L. Xu, "Multiple RFI Sources Location Method Combining Two-Dimensional ESPRIT DOA Estimation and Particle Swarm Optimization for Spaceborne SAR," Remote Sensing, vol. 13, 2021, Art. no. 1207.

[17] J. Yu, J. Li, B. Sun, J. Chen, C. Li, W. Li, and L. Xu, “Single RFI Localization Based On Conjugate Cross-Correlation Of Dual-Channel SAR Signals,” IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, 2019, pp. 385-388.

[18] W. Fan, F. Zhou, M. Tao, X. Bai, P. Rong, S. Yang, and T. Tian, "Interference Mitigation for Synthetic Aperture Radar Based on Deep Residual Network," Remote Sensing, vol. 11, 2019, Art. no. 1654.

[19] J. Wang, T. Zheng, P. Lei, and X. Bai, "A Hierarchical Convolution Neural Network (CNN)-Based Ship Target Detection Method in Spaceborne SAR Imagery," Remote Sensing, vol. 11, 2019, Art. no. 620.

[20] A. Sharma, V. Kumar, and L. Longchamps, “Comparative performance of YOLOv8, YOLOv9, YOLOv10, YOLOv11 and Faster R-CNN models for detection of multiple weed species,” Smart Agricultural Technology, vol. 9, 2024, Art. no. 100648.

[21] C.-T. Chien, R.-Y. Ju, K.-Yi Chou, E. Xieerke, and J.-S. Chiang, “YOLOv8-AM: YOLOv8 Based on Effective Attention Mechanisms for Pediatric Wrist Fracture Detection,” International Conference on Neural Information Processing, 2024, pp. 52461-52477.

[22] NASA EarthData, “Create an RGB Composite from Multi-Temporal Sentinel-1 Data,” 2024. [Online]. Available: https://www.earthdata.nasa.gov/learn/data-recipes/create-rgb-composite-from-multi-temporal-sentinel-1-data. [Accessed February 15, 2025].

DOI: https://doi.org/10.34238/tnu-jst.12082

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ