从离散分类到连续估计：基于YOLO与几何回归的宽带谱图非标准LoRa参数识别

《Array》：From discrete to continuous LoRa parameter estimation using vision-based deep learning

　　

利用YOLO从宽带谱图中估计非标准LoRa参数。在检测结果上获得97.3%的带宽准确率和95.8%的扩频因子（SF）匹配率；端到端SF准确率为65.7%。几何回归将9类端到端SF准确率从47.3%提升至64.0%。与复制通道相比，不同输入通道带来1.3个百分点的mAP_50?95增益。YOLO nano在256 × 256输入下：mAP_50?95为67.6%，在Jetson Nano上为36.2 ms/图像。

研究背景方面，LoRa（Long Range，远距离调制）传统上用于物联网通信，但近年来在无人机、飞机及其他无线电控制（RC）车辆的链路协议中重新受到关注，并常以非标准LoRa配置在数十兆赫兹的跳频集合上工作。对射频环境中LoRa信号的情境感知具有日益增长的安全意义。基于卷积神经网络（CNN，convolutional neural network）的视觉深度学习（DL）方法已在高精度、计算高效地检测和分类LoRa信号方面显示优势，但既有CNN方法通常将参数识别建模为闭集分类问题，把信号映射到预定义的带宽（BW，bandwidth）与扩频因子（SF，spreading factor）组合。此类离散建模难以处理非标准或定制LoRa配置，例如ExpressLRS（ELRS，开源远程控制链路协议）变体。随着LoRa系统快速演化，CNN参数识别需要超越预定义组合检测，实现宽带频谱内调制参数的连续估计。为此，研究人员提出几何回归后处理模块，将YOLO（You Only Look Once，单阶段目标检测）CNN检测器的名义类别预测细化为连续调制参数估计；扩展名义类别集以检测LoRa上啁啾与下啁啾；并采用三个不同输入通道而非复制灰度谱图，使用对角Sobel变换作为可解释构造方式以强调谱图中的啁啾结构。

研究人员开展的研究以宽带谱图上的YOLO检测为基础，将非标准LoRa参数估计从离散分类推进到连续估计，并系统评估类别晶格、输入预处理、几何回归、啁啾方向和部署性能。研究结论表明，比例缩放增强的YOLO流程可从谱图连续估计非标准LoRa参数；几何回归使小类别预算可行；密集类别晶格与比例缩放增强使YOLO泛化到非标准带宽；Sobel变换带来检测增益，但增益机制主要来自输入通道差异性而非梯度内容；啁啾方向感知训练扩展了可识别信号轮廓；在?30 dB信噪比（SNR，signal-to-noise ratio）下条件带宽容差仍保持较高水平，但检测匹配和召回成为极端低SNR下的主要限制。其重要意义在于为宽带频谱中非标准LoRa参数的连续识别提供了可解释、可部署的视觉深度学习路径，并明确了检测覆盖与估计精度之间的权衡。

关键技术方法不超过250字：研究采用YOLO11n检测器；以软件定义无线电（SDR，software-defined radio）采集的射频背景与随机长度、时刻、中心频率和SNR的合成LoRa包混合，生成对数幅度灰度谱图并自动标注为YOLO格式边界框；采用预训练权重、比例缩放增强0.5（0.5×–1.5×），禁用剪切、透视和翻转等几何变换；将对角Sobel变换用于构造原始幅度、上斜率梯度和下斜率梯度三通道输入；测试时以检测框高度估计BW，并以几何回归校正SF。样本来源包括ELRS Nomad Dual Gemini Xrossband模块、Heltec WiFi LoRa 32 V3（SX1262）开发板、SDR背景采集以及Jetson Nano边缘设备。

研究结果部分保留各小标题并浓缩如下。3.1 几何回归：通过标准、连续和空口（OTA，over-the-air）捕获数据集评估稀疏九类晶格（C_9×1）与36类晶格（C_18×2），并应用基于检测框高度的BW估计与SF校正。C_18×2在连续数据集上条件BW容差准确率为97.3%，均方根相对误差（RMSRE，root mean square relative error）为3.99%，直接SF精确匹配为95.8%；在0.7置信度阈值下检测率为68.5%，端到端SF准确率为65.7%，端到端BW准确率为66.7%。C_9×1结合几何回归后，连续集SF匹配从59.2%升至80.1%，端到端SF从47.3%升至64.0%，端到端BW为72.9%；对捕获的812 kHz信号，SF精确匹配从0.5%升至90.3%、从20.8%升至80.5%。误差分析表明C_18×2残差主要来自类别决策而非带宽测量，密集晶格下校正可能略降SF匹配。3.2 Sobel变换的影响：通过配对非参数Bootstrap和多种子重复训练评估，Sobel预处理使C_18×2的mAP_50?95提高1.3个百分点（86.9%至88.2%），mAP₅₀提高0.7个百分点（95.6%至96.3%），所有指标增益为正且置信区间排除零，训练收敛更稳定。3.3 设计选择消融：通过逐项切换类别晶格、输入预处理和SF恢复策略，发现Sobel在各晶格族内贡献较小检测增益；晶格密度主导连续域估计，直接SF匹配在原始输入下从60.03%升至92.86%，在Sobel输入下从59.24%升至95.81%，但验证mAP_50?95从90.1%降至88.2%；几何回归与晶格密度是替代路径。输入通道消融中，无梯度、无方向性的置换控制复现了全部增益，说明增益来自用不同通道替代复制通道，而非Sobel梯度本身。3.4 上啁啾与下啁啾检测：通过方向分组混淆矩阵验证，Sobel模型对98.65%的检测赋予正确方向，原始模型为98.27%；在标注OTA ELRS数据上，Sobel模型保持65.6%召回率、64.9% mAP₅₀和47.2% mAP_50?95，原始C_18×2召回率为68.0%，结果表示与参考标注的一致性和空中检测能力。3.5 多尺度与固定网络尺寸比较：通过从256至512像素的固定尺寸与多尺度训练验证，固定尺寸训练精度随推理分辨率近似线性单调提高；多尺度动态曲线趋于对数饱和，256像素时固定尺寸mAP_50?95为67.57%，多尺度动态为39.67%；300轮多尺度训练在512像素出现过拟合迹象。3.6 运行时性能：在Apple M2 Max上以批大小1、置信度0.7评估，CPU总处理延迟从256像素的13.38 ms增至1024像素的119.22 ms；MPS在256像素为32.15 ms，1024像素为57.79 ms；Sobel预处理约0.6至12–13 ms，几何回归约0.01 ms；CPU峰值内存从366.8 MiB增至734.1 MiB，MPS进程峰值从603.3 MiB增至789.0 MiB。3.7 SNR鲁棒性：通过?30至0 dB的连续带宽SNR扫描，C_18×2条件BW容差从?30 dB的92.5%升至0 dB的98.0%，直接SF识别全程高于95%；检测率从?30 dB的41.2%升至0 dB的72.3%，C_9×1从48.2%升至86.8%；极端低SNR下端到端BW准确率约38%，说明限制主要在检测与匹配。3.8 边缘设备部署：在NVIDIA Jetson Nano上以TensorRT FP16引擎评估，256像素总延迟从PyTorch FP32的60.3 ms降至36.2 ms，1024像素从536.7 ms降至227.3 ms；256像素时留在CPU的Sobel预处理、YOLO前后处理和结果物化占总时间72%，是后续优化重点；引擎在基准图像上返回的检测与工作站运行一致。

讨论部分总结：几何回归的核心作用是使稀疏类别晶格可行，在类别预算受限时以无训练成本恢复大部分损失，而密集晶格在直接分类已饱和时校正无益；两者应视为权衡而非排序。Sobel增益在两类验证族中一致，但消融表明机制是提供不同输入通道，对角Sobel因可解释、无调参且成本相同而保留。多尺度训练结果显示，资源受限设备上固定尺寸部署更具优势且训练更快。与近期方法比较，所提方法在连续带宽估计、非标准812 kHz信号迁移和上/下啁啾识别方面推进了既有离散分类工作，但不同数据集和协议限制直接数值排名。局限包括训练数据仅为合成LoRa、紧凑受控训练协议、合成到真实域偏移、捕获集无逐包真值、边缘测量未建立功耗与热行为等；未来方向包括RF特定增强、带宽增强替代图像缩放、无锚直接回归SF、宽带–窄带混合流程、将三通道构造融入主干网络以及损失正则化。研究结论部分可译为：所提比例增强YOLO流程实现非标准LoRa参数连续估计，在检测条件下达到97.29%的10%容差内带宽准确率和95.81%的SF精确匹配，0.7阈值下匹配68.5%真值包，端到端SF准确率65.7%；几何回归使小类别预算可行，稀疏九类晶格端到端SF从47.3%升至64.0%，接近密集晶格的65.7%，且稀疏晶格检测率更高（79.9%对68.5%），端到端BW准确率为72.9%对66.7%；类别晶格与比例缩放增强使YOLO泛化到非标准带宽；Sobel预处理较复制三通道提高mAP_50?95 1.3个百分点，控制实验表明增益源于不同通道而非Sobel梯度；啁啾方向感知训练实现高于97%的上/下啁啾区分准确率；在?30 dB下仍保持92.5%条件带宽容差准确率，检测匹配和召回是极端低SNR的主要限制。总体而言，结果说明经过设计的比例增强名义类别网格可泛化到45个未见合成带宽及测试的捕获ExpressLRS 812 kHz信号，但由于训练数据为合成且捕获证据覆盖有限，真实信号结果应视为迁移证据而非已确立的实践泛化结论，更广泛捕获数据集和额外边缘情形验证仍是未来主要方向。