Опубликовано: 15.08.2026 | Источник: CNews (новости)

Обнаружение дронов по акустическому сигналу в дипломе: проектирование, метрики, защита

18 марта 2026 года портал CNews сообщил о том, что команда Передовой инженерной школы СВЧ-электроники и Института радиоэлектроники и информатики РТУ МИРЭА разрабатывает акустическую систему для обнаружения дронов, невидимых для радаров. Это не просто новостной повод, а симптом важного тренда: радиолокационные комплексы не всегда справляются с малоразмерными БПЛА, поэтому на передний план выходят альтернативные сенсорные каналы — в первую очередь звук. Для студентов ИТ-направлений этот кейс — готовая почва для ВКР: от разработки алгоритмов обработки сигналов до проектирования распределенной архитектуры мониторинга.

В этой статье разберем, как превратить новость о разработке МИРЭА в полноценную выпускную квалификационную работу: сформулируем темы, покажем структуру глав, обоснуем стек и метрики. Материал будет полезен всем, кто хочет сделать диплом практическим, актуальным и легко защищаемым.

Темы ВКР на основе акустического обнаружения БПЛА

Предлагаем три направления, которые покрывают разные квалификации: от исследования алгоритмов до проектирования систем.

Тема 1. Алгоритм сегментации и классификации акустических сигналов БПЛА на основе сверточных нейронных сетей

Актуальность. В статье подчеркивается, что радары «слепы» к дронам из-за малой эффективной площади рассеяния. Акустический сигнал — комплементарный источник данных, который позволяет обнаруживать аппараты в условиях прямой видимости и при обходе препятствий. Задача требует совокупности знаний о цифровой обработке сигналов (DSP), машинном обучении и оптимизации моделей.

Цель. Разработать и обучить модель, способную классифицировать звук дрона на фоне городского шума и ветра.

Задачи (3–4):

• Изучить акустические характеристики беспилотников (спектр, уровень звукового давления, гармоники винтов);
• Собрать и разметить датасет звуков дронов и помех; применить аугментацию;
• Спроектировать архитектуру CNN на основе mel-спектрограмм;
• Сравнить точность с классическими методами (пороговая фильтрация, MFCC + SVM) и сделать выводы.

Возможная структура: Глава 1 — обзор методов и обоснование акустического канала; Глава 2 — разработка алгоритма и выбор архитектуры сети; Глава 3 — результаты тестирования и метрики (accuracy, precision, recall, F1).

Тема 2. Микросервисная архитектура системы мониторинга воздушного пространства с сетью акустических датчиков

Актуальность. Разработка МИРЭА показывает, что акустическое обнаружение — это не одиночный детектор, а распределённая система: несколько микрофонных решеток, обработка данных в реальном времени, интеграция с системами безопасности. Такая система должна масштабироваться и оставаться отказоустойчивой.

Цель. Спроектировать архитектуру распределенного программного комплекса для сбора, обработки и визуализации акустических данных.

Задачи:

• Собрать функциональные и нефункциональные требования (ГОСТ 34.602-89, ISO/IEC 25010);
• Обосновать выбор микросервисов, брокера сообщений (MQTT, Kafka) и формата данных;
• Разработать схему развертывания в Kubernetes с автоматическим масштабированием;
• Внедрить наблюдаемость через OpenTelemetry и настроить сбор метрик Prometheus.

Возможная структура: Глава 1 — аналитический обзор, сравнение архитектурных стилей; Глава 2 — проектирование микросервисов, схемы взаимодействия; Глава 3 — нагрузочное тестирование, оценка RTO/RPO.

Тема 3. Прототип акустической системы обнаружения дронов на базе Raspberry Pi и Edge AI

Актуальность. Аппаратная часть РТУ МИРЭА включает СВЧ-электронику, но для учебной ВКР достаточно использовать доступные платформы (Raspberry Pi, микрофонные модучи, возможно, решетку ICS-43434). Edge AI позволяет обрабатывать сигнал на месте, не отправляя аудиопоток в облако — это снижает задержку и повышает автономность.

Цель. Разработать компактный прототип, который обнаруживает дрон и передает оповещение по локальной сети.

Задачи:

• Выбрать микрофонную решетку и настроить синхронную запись;
• Реализовать алгоритм фильтрации ветра и городского шума;
• Оптимизировать модель для выполнения на периферийном устройстве (TensorFlow Lite/ONNX);
• Провести полевые испытания и измерить дальность обнаружения.

Структура: Глава 1 — обзор существующих решений и аппаратных средств; Глава 2 — схемотехническое и алгоритмическое проектирование; Глава 3 — тестирование и анализ энергопотребления.

Аналитическая глава: обоснование стека и стандартов

В первом разделе диплома обычно проводят сравнение подходов. Статья о разработке МИРЭА дает отличную отправную точку: объясните, почему акустический метод выгодно дополняет радар и электрооптические датчики. Приведите сравнительную таблицу — она сразу усилит практическую значимость работы.

Подчеркните, что в РТУ МИРЭА инженеры используют собственную СВЧ-электронику для обнаружения, но именно акустика позволяет закрыть нижний диапазон высот и малых аппаратов. В аналитической главе также уместно обосновать выбор архитектурных стандартов. Ссылайтесь на ГОСТ 34.602-89 при формировании технического задания, а модель качества — по ISO/IEC 25010 (функциональность, производительность, удобство сопровождения).

Проектная часть: схемы, алгоритмы, интеграция

Здесь вы показываете, как техническая идея превращается в инженерное решение. Для ВКР по разработке ПО важно не просто описать алгоритм, но и дать обоснование выбранного технологического стека. Если ваша система строится на микросервисах, подготовьте диаграмму развертывания: поток данных от акустических датчиков через брокер сообщений к сервисам инференса, затем — в интерфейс оператора.

Пример архитектуры для темы №2:

Датчики (ESP32, ReSpeaker) 
   → MQTT (broker: EMQX) 
   → Consumer (Kafka) 
   → ML-сервис (FastAPI, ONNX Runtime) 
   → Alert Manager → Telegram / elk stack

В дипломе нужно раскрыть интеграцию с Kubernetes: опишите Helm-чарты для сервисов, политики горизонтального масштабирования (HPA) на основе метрик Prometheus. Полезно упомянуть и OpenTelemetry — он даст распределенную трассировку запросов от датчика до оповещения. Это не «вода», а конкретные инструменты, которыми вы научитесь пользоваться.

Для темы, связанной с алгоритмами, покажите блок-схему обработки сигнала: предобработка (окно Хэмминга, STFT), извлечение признаков (mel-спектрограмма), классификатор. Вставьте листинг фрагмента предобработки, но не перегружайте кодом — главное, чтобы комиссия видела: вы умеете превращать математический аппарат в работающий прототип.

Тестирование и метрики: нагрузка, точность, отказоустойчивость

Защита ВКР будет уверенной, если вы представите конкретные цифры. Для темы обнаружения дронов обязательны метрики классификации: precision, recall, F1-score, а также сравнение с бейзлайном. Например:

• пороговая детекция по уровню сигнала: F1 = 0.62
• SVM на MFCC: F1 = 0.81
• CNN на mel-спектрограмме: F1 = 0.94

Помимо точности, измерьте задержку обработки (время от получения аудиофрейма до выдачи результата). Для системы реального времени это критичный показатель. Если вы проектируете микросервисы, проведите нагрузочное тестирование:

• K6 или Locust для симуляции потока данных;
• измерение производительности (количество обработанных сообщений/сек);
• проверка отказоустойчивости: RTO (время восстановления) и RPO (допустимые потери данных) при падении сервиса.

В главе тестирования также опишите датасет: как вы собирали звуки, какие шумы добавляли, сколько часов аудио использовали. Если реальных записей дронов нет, примените аугментацию или используйте открытые датасеты (например, DroneAudio с GitHub). Ссылка на источник — обязательна.

Чему вы научитесь в процессе работы

Работа над такой ВКР дает не только формальную тему, но и конкретные инженерные навыки:

• проектировать архитектуру программного обеспечения с учетом требований ГОСТ и международных стандартов;
• работать с инструментами разработки и развертывания — Docker, Kubernetes, OpenTelemetry;
• строить пайплайны машинного обучения от сбора данных до оценки качества;
• оформлять техническую документацию — ТЗ в соответствии с ГОСТ 34.602-89, диаграммы UML, схемы развертывания;
• защищать принятые решения с помощью метрик, а не субъективных мнений.

Типичные ошибки студентов

FAQ

Сложно ли реализовать акустическую систему без глубоких знаний в DSP? Мой опыт — веб-разработка.

Основы спектрального анализа (FFT, STFT) можно изучить за пару недель. Для диплома не нужно создавать собственный алгоритм с нуля — используйте готовые библиотеки: Librosa, Essentia, Python. Сложнее собрать датасет, но и здесь помогают открытые записи и синтез. Если вы не хотите углубляться в обработку сигналов, выбирайте архитектурную тему — там нужны знания в распределенных системах, а не в DSP.

Обязательно ли писать работающий код? Может ли ВКР быть теоретической?

По ФГОС, ВКР бакалавра должна иметь практическую часть. Даже если у вас нет цели запустить полный прототип, напишите валидацию ключевого алгоритма или создайте макет REST-сервиса, который имитирует обработку. Комиссия больше доверяет работе, которая содержит исполняемый код или хотя бы проверяемые результаты моделирования.

Где брать тестовые данные для обучения и проверки?

Ищите открытые датасеты: DroneAudio dataset (GitHub), Drone Detection Audio, а также записи с YouTube, преобразованные в WAV. Если реальных записей мало, используйте аугментацию: добавление белого шума, ветер, городские звуки. Обязательно опишите состав датасета в главе тестирования — так вы подтверждаете достоверность результатов.

Как оформить UML-диаграммы и архитектурные схемы, чтобы не придрались?

Используйте стандартную нотацию UML 2.5: диаграммы компонентов, развертывания и последовательности. Для быстрых схем подойдут draw.io, PlantUML, [Mermaid](https://mermaid.js.org/), но для ВКР лучше генерить в PlantUML — он дает детерминированный текстовый код, который легко редактировать. Подпишите каждый элемент, свяжите с текстом. В приложении поместите полные диаграммы, а в основной части — сокращенный вариант.

Чек-лист «Что проверить перед сдачей»

Источник: Команда РТУ МИРЭА создает акустическую систему для обнаружения дронов, невидимых для радаров (опубликовано 2026-03-18)