CN113255554A - 一种射击训练瞬时击发动作识别及标准性辅助评价方法 - Google Patents

一种射击训练瞬时击发动作识别及标准性辅助评价方法 Download PDF

Info

Publication number
CN113255554A
CN113255554A CN202110628360.6A CN202110628360A CN113255554A CN 113255554 A CN113255554 A CN 113255554A CN 202110628360 A CN202110628360 A CN 202110628360A CN 113255554 A CN113255554 A CN 113255554A
Authority
CN
China
Prior art keywords
action
shooting
signal
instantaneous
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110628360.6A
Other languages
English (en)
Other versions
CN113255554B (zh
Inventor
陈志聪
伍弘毅
吴丽君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202110628360.6A priority Critical patent/CN113255554B/zh
Publication of CN113255554A publication Critical patent/CN113255554A/zh
Application granted granted Critical
Publication of CN113255554B publication Critical patent/CN113255554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

本发明涉及一种射击训练瞬时击发动作识别及标准性辅助评价方法，步骤S1：根据部署在枪支或射击者手腕的三轴加速度计采集含教导员和学员射击训练相关动作的加速度信号作为模型输入；步骤S2：对采集的加速度信号进行预处理，得到训练和测试数据集；步骤S3：采用机器学习分类算法KNN对训练数据集中瞬时击发信号和非瞬时击发信号样本数据进行学习分类，并用网格搜索法寻找出最佳超参数，得到射击训练瞬时击发动作的分类器；步骤S4：基于DTW算法设计枪支射击瞬时击发动作标准性评价模板；步骤S5：根据上述步骤指示识别瞬时击发信号与标准瞬时击发信号模板之间相似度。本发明能够辅助射击者快速了解自己的射击训练情况，对自己的射击水平有大致参照。

Description

一种射击训练瞬时击发动作识别及标准性辅助评价方法
技术领域
本发明涉及射击训练技术领域，一种射击训练瞬时击发动作识别及标准性辅助评价方法。
背景技术
目前，在靶场、警校等场所进行的射击训练过程中，射击训练效果的检查更多地侧重于射击训练次数、子弹命中环数等易于量化的评价指标，而直接关系到学员射击训练效果的击发动作标准性由于训练者的各方面差异与人的主观性，比较难采用较统一的常规量化指标来衡量，因此，如果能对射击训练过程中的击发动作进行有效识别与区分，检测出实际射击训练次数，并对每次真实射击动作进行合理评价，无疑可以让训练人员及时认清自己的动作缺陷，提高学习效率，使得射击训练更加方便、有趣。
针对射击训练过程中的瞬时击发动作识别，其目的是为了检测出实际射击训练次数，也即子弹击发数，这方面相关研究的技术方案按采用的传感器类别可划分为：压电式压力传感器类、“日盲型”紫外探测器类、红外传感器类、磁传感器类、声传感器类以及三轴加速度传感器类。由于国内枪支问题的特殊性，普通人没有权限对其进行改造，而加速度传感器相比于其他类型传感器存在体积小、易携带、不破坏枪支原有结构、功能扩展性强，因此采用了加速度计作为信号的采集设备。
对于加速度计采集的动作信号，实际由于射击时瞬时击发导致加速度显著变化的持续时间极短，且射击过程中的其他相关动作也会被记录，要识别出实际射击训练次数，即对子弹射击动作信号与非射击动作信号进行分类，而机器学习中的监督学习分类算法目前应用广泛的有支持向量机(SVM)、决策树(DT)、K近邻(KNN)及集成学习等方法，经过对带有标签数据集的相关实验，KNN算法能达到较高准确度，且在现有场景下有较强的可解释性，对样本中的特例具有较好的兼容性，加上后续DTW算法也要采用原动作帧信号，因此予以采用。
目前，对于射击训练中的技能评价问题，分为射击能力下的精准度评价和射击耗时评价以及枪支使用能力下的射击动作评价，精准度评价以及射击耗时评价容易量化执行，也有成熟的衡量体系，然而对于射击动作评价，虽然有相关理论著述，但实际执行时面临较多的不确定性与人为主观性，非专业人员难以胜任此工作。
发明内容
有鉴于此，本发明的目的是提供一种射击训练瞬时击发动作识别及标准性辅助评价方法，针对射击动作评价主要内容中对射击效果影响最大的枪支击发瞬间动作采用加速度计采集信号并利用DTW算法来进行辅助评价，以弥补现有相关技术的缺失，从而对训练射击时的动作进行评价以提高射击训练的效率，也可通过对训练时的枪支瞬时击发状态进行检测识别，获知训练过程中的实际耗弹量。
本发明采用以下方案实现：一种射击训练瞬时击发动作识别及标准性辅助评价方法，包括如下步骤：
步骤S1：根据部署在枪支或射击者手腕上的采样率fs的三轴加速度计采集包含教导员和学员进行射击训练相关动作的加速度信号作为瞬时击发动作KNN分类模型输入；
步骤S2：对采集来的加速度信号进行预处理：
首先，剔除缺失值并进行去噪，然后进行动作帧提取，采用差分分别对三轴上的信号进行处理，设定观察时间窗口T，选取阈值对差分处理后各轴信号进行过滤，筛选出动作信号发生时间点，结合观察时间窗口T进行动作帧提取，将筛选出的加速度计各轴信号统一截取为采样点数一致的加速度信号帧片段样本，最后对动作帧提取后得到的样本进行标记并挑选出样本中的瞬时击发信号和非瞬时击发信号，对所有加速度信号参数进行归一化，或对所有加速度信号样本提取出时域或频域相关特征后再进行归一化，结合是否为瞬时击发动作标签按8：2比例构成后续KNN瞬时击发动作分类算法用的训练和测试数据集，在已有瞬时击发动作标签基础上再结合射击人员类型即教导员、学员标签，构成射击者动作标准性评价中DTW算法采用的训练数据集；
步骤S3：采用机器学习分类算法KNN(K-NearestNeighbor)对训练数据集中瞬时击发信号和非瞬时击发信号样本数据进行学习分类，并用网格搜索法寻找出最佳的超参数，用以设计出能准确识别真实射击训练动作即子弹击发数的分类器；
步骤S4：对采集自教导员的含射击动作信号样本进行步骤S2中的动作帧提取并筛选出瞬时击发信号帧样本后，进行动态时间规整(Dynamic Time Warping，DTW)处理，根据样本间最短路径的累计距离参数挑选出最佳的帧样本信号作为枪支射击瞬时击发动作标准性评价模板；
步骤S5：将测试数据集作为模型的输入，采用训练好的分类器得出识别的瞬时击发信号，并将瞬时击发信号与瞬时击发动作标准性评价模板再次进行DTW算法处理，根据待评信号与评价模板间的各轴最短路径的累计距离参数作为评价指标，指示识别的瞬时击发信号与标准瞬时击发信号模板之间的相似度，该相似度指标Dist_t能量化射击者射击动作的标准性，并作为训练中射击者瞬时击发动作标准性评价的辅助参数。
进一步地，步骤S1中所述的三轴加速度计采样率fs应满足射击动作基本采样要求；当加速度计部署于手腕上时，由于腕部肌肉的缓冲作用，加速度信号高频成分有所衰减，此时采样率应降低，采样率不低于500Hz；而部署于枪支上时，信号高频成分较易出现，采样率应调高，采用的三轴加速度计采样率应不低于800Hz；另外，采集的信号包括学员射击相关动作信号和用于标准性评价的教导员射击信号。
进一步地，所述步骤S2的具体内容为：剔除由系统故障或人为因素等引起的加速度计数据缺失并采用降噪算法去除噪声，同时，根据实际实验一个瞬时击发信号造成的加速度变化持续时间设定观察时间窗口T，利用差分算法对三轴加速度信号分别进行处理并设定阈值，筛选出满足阈值条件在相邻采样点内加速度变化剧烈的动作信号发生时间点，即加速度在相邻两个采样点间有超出设定阈值的加速度增减量的动作信号发生时间点，并结合T将动作的三轴加速度信号都截取为T*fs个采样点的动作帧片段样本，对样本中加速度值，能够直接根据加速度计的最大采样幅值进行最值归一化到区间[0,1]后添加相应瞬时击发及非瞬时击发信号标签并按8：2比例划分好训练和测试数据集用于步骤S3操作，或进一步对这些样本片段进行时域或频域特征提取，时域特征提取包括均值、极差、最大值、最小值、方差、能量值、过零率和合加速度值，频域特征提取包括FFT系数平方和、频谱质心和频域熵，对样本提取的每种特征进行均值归一化后，添加瞬时击发动作标签，按8：2比例构成训练和测试数据集。
进一步地，采用机器学习中的KNN算法对归一化后的训练数据集进行学习，之后，采用随机过采样先对偏少类别的样例进行样本均衡，并使用网格搜索方法遍历KNN算法的超参数K、距离权重weights及weights设置为distance时的超参数p，试验出最优超参数后利用该参数对全部数据集样本进行训练，得到能准确识别真实射击训练动作的分类器。
进一步地，所述步骤S4具体包括以下内容：
针对从教导员处进行射击训练过程中采集的加速度信号，同样经过步骤S2的动作帧提取生成样本片段后，挑选出其中瞬时击发动作信号构成教导员射击样本X1,X2,X3,···,XM，先截取掉动作信号发生时间点后持续时间在3ms内的一小段高频信号，然后采用DTW算法，依次将样本XP设为参考模板，其余样本作为测试模板QT与选定参考模板QR分别对X、Y、Z三轴进行动态规划(Dynamic Programming，DP)算法训练，用以挑选出教导员多次射击时的最佳的帧样本信号作为枪支射击瞬时击发标准性评价模板。
进一步地，所述挑选出教导员多次射击时的最佳的帧样本信号作为枪支射击瞬时击发标准性评价模板的具体步骤如下：
步骤1：将长度都为N，N＝T*fs的测试模板和参考模板的X轴，分别表示为QTX＝T1,T2,···,TN和QRX＝R1,R2,···,RN投影到一个二维直角坐标系中，并根据测试模板和参考模板的各个帧号作为坐标画出纵横线形成网络，网络中的每一个交叉点表示两模板中某一帧的交汇格点,以矩阵元素(i,j)表示QTXi和QRXj两个点的距离d(QTXi,QRXj)此处采用欧式距离，d(QTXi,QRXj)＝(QTXi-QRXj)2；
步骤2：利用DP算法搜索最佳路径；DP算法能够归结为寻找一条通过此网络中若干格点的路径，路径通过的格点即为测试和参考模板中进行计算的帧号，路径在进行搜索时，需要满足连续性、单调性以及边界条件三个约束，即如果路径已经通过格点(i,j)，那么下一个通过的格点只能是下列三种情况之一：(i+1,j+1)、(i+1,j)、(i,j+1)，这条路径若用W表示，其第k个元素定义为wk＝d(QTXi,QRXj)k,则有W＝w1,w2,···,wk,···,wN,在满足这些约束条件的路径中搜寻得到满足下面规整代价最小的路径：
Figure BDA0003101228230000061
同时定义Dist_P为第Xp个样本作为参考模板时，对从(0,0)开始直到(N,N)匹配的路径上的所有距离d(QTXi,QRXj)进行累加,累积距离Dist_P(i,j)L为以样本XL为测试模板时当前格点距离d(QTXi,QRXj)与能够到达该点的最小的邻近元素的累积距离之和；
Dist_P(i,j)L＝d(QTXi,QRXj)+min{Dist_P(i-1,j-1)L,Dist_P(i-1,j)L,Dist_P(i,j-1)L}
最后，对比样本XP设为参考模板与测试模板XL的累计距离Dist_P(i,j)L，L取值为1,2，···,P-1,P+1,···,M；选取可使得数组Dist_P(i,j)L取值范围最小的参考模板XP作为枪支射击瞬时击发标准性X轴评价模板，同理按步骤1至步骤2筛选出枪支射击瞬时击发标准性Y轴和Z轴评价模板。
进一步地，步骤S5中，根据待评信号与评价模板间的X、Y、Z轴最短路径的累计距离参数DistX、DistY和DistZ，令Dist_t＝Dist_X+Dist_Y+Dist_Z,根据Dist_t代表的全部轴累计DTW距离值，设定不同的射击训练瞬时击发测试评价等级，该待评信号与评价模板之间的累计DTW距离值反映了射击者射击动作的标准性，故评价等级可作为训练中射击者瞬时击发动作标准性评价的辅助手段；
所述评价等级为：将Dist_t取值范围在[0,50]设为优秀，[51,150]设为良好，[151,300]设为合格。
与现有技术相比，本发明具有以下有益效果：
本发明采用KNN分类算法对采集自加速度计的射击训练瞬时击发动作信号进行识别，通过实验证明识别的准确度能达到较高水平，而且该技术扩充了射击训练场景下对弹药使用量的监测手段，可方便地应用于室外场景；对提取出来分类后的射击训练瞬时击发动作信号数据帧采用DTW算法，与提取出的参考模板帧片段进行匹配路径寻优并根据累计距离进行标准性辅助评价，给击发瞬间动作提供了一种新的易量化评价标准，可提高射击训练效果。
附图说明
图1为本发明实施例的射击训练瞬时击发动作识别及标准性辅助评价方法流程图。
图2为本发明实施例的对采集自加速度计的信号进行预处理后提取出的瞬时激发动作信号示意图，其中，图2(a)为瞬时击发信号X轴加速度变化情况图，图2(b)为瞬时击发信号Y轴加速度变化情况图，图2(c)为瞬时击发信号Z轴加速度变化情况图，图2(d)为瞬时击发信号各轴加速度变化情况图。
图3为本发明实施例的对采集自加速度计的信号进行预处理后提取出的非瞬时激发动作信号示意图，其中，图3(a)为非瞬时击发信号X轴加速度变化情况图，图3(b)为非瞬时击发信号Y轴加速度变化情况图，图3(c)为非瞬时击发信号Z轴加速度变化情况图，图3(d)为非瞬时击发信号各轴加速度变化情况图。
图4为本发明实施例的对测试集393个样本进行KNN分类结果的混淆矩阵示意图。
图5为本发明实施例的对两模板Y轴信号进行DTW处理时DP算法搜索最佳路径的示意图。
图6为本发明实施例的对两模板Y轴信号进行DTW处理后时域对齐的示意图，其中，图6(a)为原始信号示意图，图6(b)为DTW规整后信号示意图。
图7为本发明实施例的X轴评价模板查找时测试模板与选定参考模板规整后累计距离的瀑布图。
图8为本发明实施例的筛选出的瞬时击发信号评价模板、待评价信号及评价结果示意图，其中，图8(a)为筛选出瞬时击发评价模板示意图，图8(b)为待评价瞬时击发信号模板示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供一种射击训练瞬时击发动作识别及标准性辅助评价方法，包括如下步骤：
步骤S1：根据部署在枪支或射击者手腕上的采样率fs的三轴加速度计采集包含教导员和学员进行射击训练相关动作的加速度信号作为瞬时击发动作KNN分类模型输入；
步骤S2：对采集来的加速度信号进行预处理：
首先，剔除缺失值并进行去噪，然后进行动作帧提取，采用差分分别对三轴上的信号进行处理，设定观察时间窗口T，选取阈值对差分处理后各轴信号进行过滤，筛选出动作信号发生时间点，结合观察时间窗口T进行动作帧提取，将筛选出的加速度计各轴信号统一截取为采样点数一致的加速度信号帧片段样本，最后对动作帧提取后得到的样本进行标记并挑选出样本中的瞬时击发信号和非瞬时击发信号，对所有加速度信号参数进行归一化，或对所有加速度信号样本提取出时域或频域相关特征后再进行归一化，结合是否为瞬时击发动作标签按8：2比例构成后续KNN瞬时击发动作分类算法用的训练和测试数据集，在已有瞬时击发动作标签基础上再结合射击人员类型即教导员、学员标签，构成射击者动作标准性评价中DTW算法采用的训练数据集；
步骤S3：采用机器学习分类算法KNN(K-NearestNeighbor)对训练数据集中瞬时击发信号和非瞬时击发信号样本数据进行学习分类，并用网格搜索法寻找出最佳的超参数，用以设计出能准确识别真实射击训练动作即子弹击发数的分类器；
步骤S4：对采集自教导员的含射击动作信号样本进行步骤S2中的动作帧提取并筛选出瞬时击发信号帧样本后，进行动态时间规整(Dynamic Time Warping，DTW)处理，根据样本间最短路径的累计距离参数挑选出最佳的帧样本信号作为枪支射击瞬时击发动作标准性评价模板；
步骤S5：将测试数据集作为模型的输入，采用训练好的分类器得出识别的瞬时击发信号，并将瞬时击发信号与瞬时击发动作标准性评价模板再次进行DTW算法处理，根据待评信号与评价模板间的各轴最短路径的累计距离参数作为评价指标，指示识别的瞬时击发信号与标准瞬时击发信号模板之间的相似度，该相似度指标Dist_t能量化射击者射击动作的标准性，并作为训练中射击者瞬时击发动作标准性评价的辅助参数。
在本实施例中，步骤S1中所述的三轴加速度计采样率fs应满足射击动作基本采样要求；当加速度计部署于手腕上时，由于腕部肌肉的缓冲作用，加速度信号高频成分有所衰减，此时采样率应降低，采样率不低于500Hz；而部署于枪支上时，信号高频成分易出现，采样率应调高，采用的三轴加速度计采样率应不低于800Hz；另外，采集的信号包括学员射击相关动作信号和用于标准性评价的教导员射击信号。
在本实施例中，所述步骤S2的具体内容为：剔除由系统故障或人为因素等引起的加速度计数据缺失并采用降噪算法去除噪声，同时，根据实际实验一个瞬时击发信号造成的加速度变化持续时间设定观察时间窗口T(通常手枪的T为60ms左右)，利用差分算法对三轴加速度信号分别进行处理并设定阈值，根据枪支类型的不同，阈值设定可选用不同的经验参数，实际设定阈值参数应不小于1G，也不宜大于20G。筛选出满足阈值条件在相邻采样点内加速度变化剧烈的动作信号发生时间点，即加速度在相邻两个采样点间有超出设定阈值的加速度增减量的动作信号发生时间点，(此处满足阈值的情况即代表加速度在相邻两个采样点间有超出设定阈值的加速度增减量，即表示加速度变化较为剧烈)，并结合T将动作的三轴加速度信号都截取为T*fs个采样点的动作帧片段样本，对样本中加速度值，能够直接根据加速度计的最大采样幅值进行最值归一化到区间[0,1]后添加相应瞬时击发及非瞬时击发信号标签并按8：2比例划分好训练和测试数据集用于步骤S3操作，或进一步对这些样本片段进行时域或频域特征提取，(经实验证明截取动作帧片段的加速度值可直接用于接下来的KNN分类中，也可以在其基础上进一步提取此处列出的时域、频域特征，再用于后面KNN分类)时域特征提取包括均值、极差、最大值、最小值、方差、能量值、过零率和合加速度值，频域特征提取包括FFT系数平方和、频谱质心和频域熵，对样本提取的每种特征进行均值归一化后，添加瞬时击发动作标签，按8：2比例构成训练和测试数据集。
在本实施例中，采用机器学习中的KNN算法对归一化后的训练数据集进行学习，由于所有样本中瞬时击发样本数与非瞬时击发样本数相差较大会造成后续训练结果不可靠，之后，采用随机过采样先对偏少类别的样例进行样本均衡，并使用网格搜索方法遍历KNN算法的超参数K、距离权重weights及weights设置为distance时的超参数p，试验出最优超参数后利用该参数对全部数据集样本进行训练，得到能准确识别真实射击训练动作的分类器。
在本实施例中，所述步骤S4具体包括以下内容：
针对从教导员处进行射击训练过程中采集的加速度信号，同样经过步骤S2的动作帧提取生成样本片段后，挑选出其中瞬时击发动作信号构成教导员射击样本X1,X2,X3,···,XM，先截取掉动作信号发生时间点后持续时间在3ms内的一小段高频信号，结合图2看为第25-35个采样点处X、Y、Z三轴的尖峰及振荡，然后采用DTW算法，依次将样本XP(P取1到M)设为参考模板，其余样本作为测试模板QT与选定参考模板QR分别对X、Y、Z三轴进行动态规划(Dynamic Programming，DP)算法训练，用以挑选出教导员多次射击时的最佳的帧样本信号作为枪支射击瞬时击发标准性评价模板。
在本实施例中，所述挑选出教导员多次射击时的最佳的帧样本信号作为枪支射击瞬时击发标准性评价模板的具体步骤如下：
步骤1：将长度都为N，N＝T*fs的测试模板和参考模板的X轴，分别表示为QTX＝T1,T2,···,TN和QRX＝R1,R2,···,RN投影到一个二维直角坐标系中，并根据测试模板和参考模板的各个帧号作为坐标画出纵横线形成网络，网络中的每一个交叉点表示两模板中某一帧的交汇格点,以矩阵元素(i,j)表示QTXi和QRXj两个点的距离d(QTXi,QRXj)(也就是序列QTX的每一个采样点和QRX的每一个点之间的相似度，距离越小则相似度越高)，此处采用欧式距离，d(QTXi,QRXj)＝(QTXi-QRXj)2；
步骤2：利用DP算法搜索最佳路径；DP算法能够归结为寻找一条通过此网络中若干格点的路径，路径通过的格点即为测试和参考模板中进行计算的帧号，路径在进行搜索时，需要满足连续性、单调性以及边界条件三个约束，即如果路径已经通过格点(i,j)，那么下一个通过的格点只能是下列三种情况之一：(i+1,j+1)、(i+1,j)、(i,j+1)，这条路径若用W表示，其第k个元素定义为wk＝d(QTXi,QRXj)k,则有W＝w1,w2,···,wk,···,wN,在满足这些约束条件的路径中搜寻得到满足下面规整代价最小的路径：
Figure BDA0003101228230000141
同时定义Dist_P为第Xp个样本作为参考模板时，对从(0,0)开始直到(N,N)匹配的路径上的所有距离d(QTXi,QRXj)进行累加,累积距离Dist_P(i,j)L为以样本XL为测试模板时当前格点距离d(QTXi,QRXj)与能够到达该点的最小的邻近元素的累积距离之和；
Dist_P(i,j)L＝d(QTXi,QRXj)+min{Dist_P(i-1,j-1)L,Dist_P(i-1,j)L,Dist_P(i,j-1)L}
最后，对比样本XP设为参考模板与测试模板XL的累计距离Dist_P(i,j)L，L取值为1,2，···,P-1,P+1,···,M；选取可使得数组Dist_P(i,j)L取值范围最小的参考模板XP作为枪支射击瞬时击发标准性X轴评价模板，同理按步骤1至步骤2筛选出枪支射击瞬时击发标准性Y轴和Z轴评价模板。
另外，如采用部署于手腕的加速度计，在采集射击样本中手上佩带的三轴加速度计进行了换位即反戴或换到另一只手，则应对不同佩带方式下的样本重复上述步骤1至步骤2生成相应佩带方式下的评价模板。
在本实施例中，步骤S5中，根据待评信号与评价模板间的X、Y、Z轴最短路径的累计距离参数DistX、DistY和DistZ，令Dist_t＝Dist_X+Dist_Y+Dist_Z,根据Dist_t代表的全部轴累计DTW距离值，设定不同的射击训练瞬时击发测试评价等级，该待评信号与评价模板之间的累计DTW距离值一定程度上反映了射击者射击动作的标准性，故评价等级可作为训练中射击者瞬时击发动作标准性评价的辅助手段。具体实施方法如将Dist_t取值范围在[0,50]设为优秀，[51,150]设为良好，[151,300]设为合格等，具体的评价等级可根据实验和训练要求做出调整。
较佳的，本实施例的具体实现过程如下：
步骤S1：根据部署在枪支或射击者手腕上的采样率fs的三轴加速度计采集包含教导员和学员进行射击训练相关动作的加速度信号作为瞬时击发动作分类和射击者动作标准性评价算法模型输入；
步骤S2：对采集来的加速度信号进行预处理：首先剔除缺失值并进行去噪，然后进行动作帧提取，采用差分分别对三轴上的信号进行处理，设定观察时间窗口T，选取阈值对差分处理后各轴信号进行过滤，筛选出动作信号发生时间点，结合观察时间窗口T进行动作帧提取，将筛选出的加速度计各轴信号统一截取为采样点数一致的加速度信号帧片段样本，最后对动作帧提取后得到的样本进行标记并挑选出样本中的瞬时击发信号和非瞬时击发信号，对所有加速度信号参数进行归一化，或对所有加速度信号样本提取出时域或频域相关特征后再进行归一化，结合是否为瞬时击发动作标签按8：2比例构成后续KNN瞬时击发动作分类算法用的训练和测试数据集，在已有瞬时击发动作标签基础上再结合射击人员类型(教导员、学员)标签，构成射击者动作标准性评价中DTW算法采用的训练数据集。
步骤S3：采用机器学习分类算法KNN对训练数据集中瞬时击发信号和非瞬时击发信号样本数据进行学习分类，并用网格搜索法寻找出最佳的超参数，以设计出能准确识别真实射击训练动作(即子弹击发数)的分类器；
步骤S4：对采集自教导员的含射击动作信号样本进行步骤S2中的动作帧提取并筛选出瞬时击发信号帧样本后，进行动态时间规整处理，根据样本间最短路径的累计距离参数挑选出最佳的帧样本信号作为枪支射击瞬时击发动作标准性评价模板；
步骤S5：将测试数据集作为模型的输入，采用训练好的分类器得出识别的瞬时击发信号，并将瞬时击发信号与瞬时击发动作标准性评价模板再次进行DTW算法处理，根据待评信号与评价模板间的各轴最短路径的累计距离参数作为评价指标，指示识别的瞬时击发信号与标准瞬时击发信号模板之间的相似度。
较佳的，本实施例在所述步骤S1中，三轴加速度计采样率fs应满足射击动作基本采样要求。当加速度计部署于手腕上时，由于腕部肌肉的缓冲作用，加速度信号高频成分有所衰减，此时采样率可适当降低，但不宜低于500Hz；而部署于枪支上时，信号高频成分较易出现，采样率应适当调高，建议采用的三轴加速度计采样率应不低于800Hz。另外，采集的信号除学员射击相关动作信号外还应包括用于标准性评价的教导员射击信号；
较佳的，本实施例在所述步骤S2中，通过如下方式筛选数据，生成训练数据集样本：剔除由系统故障或人为因素等引起的加速度计数据缺失并采用降噪算法去除噪声，同时根据实际实验一个瞬时击发信号造成的加速度变化持续时间设定观察时间窗口T，利用差分算法对三轴加速度信号分别进行处理并设定阈值，筛选出满足阈值条件在短时间内加速度变化剧烈的动作信号发生时间点，并结合T将动作的三轴加速度信号都截取为T*fs个采样点的片段样本，根据该思路提取出来的瞬时激发动作信号和非瞬时激发动作信号如图2和图3所示，此处设定的阈值为1.5G。本实施例中对样本中加速度值，直接根据加速度计的最大采样幅值进行最值归一化到区间[0,1]后添加相应瞬时击发及非瞬时击发信号标签作为数据集用于下一步操作；
较佳的，本实施例在所述步骤S3中，采用机器学习中的KNN算法对归一化后的训练数据集进行学习，因所有样本中瞬时击发样本数与非瞬时击发样本数相差较大会造成后续训练结果不可靠，采用随机过采样先对偏少类别的样例进行样本均衡，并使用网格搜索技术遍历KNN算法的超参数K、距离权重weights及weights设置为distance时的超参数p，试验出最优超参数后利用该参数对全部数据集样本进行训练，得到能准确识别真实射击训练动作的分类器，其在393个测试集样本上实验出的分类结果精度可达到100％，混淆矩阵如图4所示。
如在实际应用过程中只需检测射击时子弹击发数，即瞬时激发次数，则进行到此步骤S3后即可结束。
较佳的，本实施例在所述步骤S4中，针对从教导员处进行射击训练过程中采集的加速度信号，同样经过S2步骤的动作帧提取生成样本片段后，挑选出其中瞬时击发动作信号构成教导员射击样本X1,X2,X3,···,XM，先截取掉动作信号发生时间点后持续时间约3ms内的一小段高频信号，然后采用DTW算法，依次将样本XP(P取1到M)设为参考模板，其余样本作为测试模板(QT)与选定参考模板(QR)分别对X、Y、Z三轴进行动态规划(DynamicProgramming，DP)算法训练，以挑选出教导员多次射击时的最佳的帧样本信号作为枪支射击瞬时击发标准性评价模板，其具体实施步骤如下：
首先，将长度都为N(N＝T*fs)的测试模板和参考模板的X轴(可分别表示为QTX＝T1,T2,···,TN和QRX＝R1,R2,···,RN)投影到一个二维直角坐标系中，并根据测试模板和参考模板的各个帧号作为坐标画出纵横线形成网络，网络中的每一个交叉点表示两模板中某一帧的交汇格点,以矩阵元素(i,j)表示QTXi和QRXj两个点的距离d(QTXi,QRXj)(也就是序列QTX的每一个采样点和QRX的每一个点之间的相似度，距离越小则相似度越高)，此处采用欧式距离，d(QTXi,QRXj)＝(QTXi-QRXj)2；
其次，利用DP算法搜索最佳路径。DP算法可归结为寻找一条通过此网络中若干格点的路径，路径通过的格点即为测试和参考模板中进行计算的帧号，路径在进行搜索时，需要满足连续性、单调性以及边界条件三个约束，即如果路径已经通过格点(i,j)，那么下一个通过的格点只可能是下列三种情况之一：(i+1,j+1)、(i+1,j)、(i,j+1)，这条路径如用W表示，其第k个元素定义为wk＝d(QTXi,QRXj)k,则有W＝w1,w2,···,wk,···,wN,在满足这些约束条件的路径中搜寻得到满足下面规整代价最小的路径：
Figure BDA0003101228230000181
同时定义Dist_P为第Xp个样本作为参考模板时，对从(0,0)开始直到(N,N)匹配的路径上的所有距离d(QTXi,QRXj)进行累加,累积距离Dist_P(i,j)L为以样本XL为测试模板时当前格点距离d(QTXi,QRXj)与可以到达该点的最小的邻近元素的累积距离之和。
Dist_P(i,j)L＝d(QTXi,QRXj)+min{Dist_P(i-1,j-1)L,Dist_P(i-1,j)L,Dist_P(i,j-1)L}
最后，对比样本XP设为参考模板与测试模板XL(L取值为1,2，···,P-1,P+1,···,M)的累计距离Dist_P(i,j)L，选取可使得数组Dist_P(i,j)L取值范围最小的参考模板XP作为作为枪支射击瞬时击发标准性X轴评价模板，同理按上述步骤筛选出枪支射击瞬时击发标准性Y轴和Z轴评价模板。
对参考模板和测试模板信号进行DTW处理时DP算法搜索最佳路径如图5所示，对两模板信号进行DTW处理后时域对齐效果如图6所示，在X轴评价模板查找时测试模板与选定参考模板规整后的累计距离的瀑布图如图7所示。
较佳的，本实施例在所述步骤S5中，根据待评信号与评价模板间的X、Y、Z轴最短路径的累计距离参数DistX、DistY和DistZ，令Dist_t＝Dist_X+Dist_Y+Dist_Z,根据Dist_t代表的全部轴累计DTW距离值，设定不同的射击训练瞬时击发测试评价等级，如将Dist_t取值范围在[0,50]设为优秀，[51,150]设为良好，[151,300]设为合格等，具体的评价等级可根据实验和训练要求做出调整。
在本实例中以Charles E.Loeffler开源于http://dx.doi.org/10.7910/DVN/25918的枪支射击加速度计采集信号数据集作为实验数据来源，根据文件说明提取了共359个瞬时击发信号样本和981个非瞬时击发样本，经过多次实验，KNN分类精确度较高，在测试集上达到了100％的分类精度，充分体现了本发明的准确性，而评价模板选取在手枪瞬时激发信号数据挑选和实验后，筛选出的瞬时击发信号评价模板、待评价信号及评价结果如图8所示，根据实践结果，可体现出本发明提供了一种较好的射击训练瞬时击发动作识别及标准性辅助评价方法。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种射击训练瞬时击发动作识别及标准性辅助评价方法，其特征在于：包括如下步骤：
步骤S1：根据部署在枪支或射击者手腕上的采样率fs的三轴加速度计采集包含教导员和学员进行射击训练相关动作的加速度信号作为瞬时击发动作KNN分类模型输入；
步骤S2：对采集来的加速度信号进行预处理：
首先，剔除缺失值并进行去噪，然后进行动作帧提取，采用差分分别对三轴上的信号进行处理，设定观察时间窗口T，选取阈值对差分处理后各轴信号进行过滤，筛选出动作信号发生时间点，结合观察时间窗口T进行动作帧提取，将筛选出的加速度计各轴信号统一截取为采样点数一致的加速度信号帧片段样本，最后对动作帧提取后得到的样本进行标记并挑选出样本中的瞬时击发信号和非瞬时击发信号，对所有加速度信号参数进行归一化，或对所有加速度信号样本提取出时域或频域相关特征后再进行归一化，结合是否为瞬时击发动作标签按8：2比例构成后续KNN瞬时击发动作分类算法用的训练和测试数据集，在已有瞬时击发动作标签基础上再结合射击人员类型即教导员、学员标签，构成射击者动作标准性评价中DTW算法采用的训练数据集；
步骤S3：采用机器学习分类算法KNN对训练数据集中瞬时击发信号和非瞬时击发信号样本数据进行学习分类，并用网格搜索法寻找出最佳的超参数，用以设计出能准确识别真实射击训练动作即子弹击发数的分类器；
步骤S4：对采集自教导员的含射击动作信号样本进行步骤S2中的动作帧提取并筛选出瞬时击发信号帧样本后，进行动态时间规整处理，根据样本间最短路径的累计距离参数挑选出最佳的帧样本信号作为枪支射击瞬时击发动作标准性评价模板；
步骤S5：将测试数据集作为模型的输入，采用训练好的分类器得出识别的瞬时击发信号，并将瞬时击发信号与瞬时击发动作标准性评价模板再次进行DTW算法处理，根据待评信号与评价模板间的各轴最短路径的累计距离参数作为评价指标，指示识别的瞬时击发信号与标准瞬时击发信号模板之间的相似度，该相似度指标Dist_t能量化射击者射击动作的标准性，并作为训练中射击者瞬时击发动作标准性评价的辅助参数。
2.根据权利要求1所述的一种射击训练瞬时击发动作识别及标准性辅助评价方法，其特征在于：步骤S1中所述的三轴加速度计采样率fs应满足射击动作基本采样要求；当加速度计部署于手腕上时，由于腕部肌肉的缓冲作用，加速度信号高频成分有所衰减，此时采样率应降低，采样率不低于500Hz；而部署于枪支上时，信号高频成分易出现，采样率应调高，采用的三轴加速度计采样率应不低于800Hz；另外，采集的信号包括学员射击相关动作信号和用于标准性评价的教导员射击信号。
3.根据权利要求1所述的一种射击训练瞬时击发动作识别及标准性辅助评价方法，其特征在于：所述步骤S2的具体内容为：剔除由系统故障或人为因素引起的加速度计数据缺失并采用降噪算法去除噪声，同时，根据实际实验一个瞬时击发信号造成的加速度变化持续时间设定观察时间窗口T，利用差分算法对三轴加速度信号分别进行处理并设定阈值，筛选出满足阈值条件在相邻采样点内加速度变化剧烈的动作信号发生时间点，即加速度在相邻两个采样点间有超出设定阈值的加速度增减量的动作信号发生时间点，并结合T将动作的三轴加速度信号都截取为T*fs个采样点的动作帧片段样本，对样本中加速度值，能够直接根据加速度计的最大采样幅值进行最值归一化到区间[0,1]后添加相应瞬时击发及非瞬时击发信号标签并按8：2比例划分好训练和测试数据集用于步骤S3操作，或进一步对这些样本片段进行时域或频域特征提取，时域特征提取包括均值、极差、最大值、最小值、方差、能量值、过零率和合加速度值，频域特征提取包括FFT系数平方和、频谱质心和频域熵，对样本提取的每种特征进行均值归一化后，添加瞬时击发动作标签，按8：2比例构成训练和测试数据集。
4.根据权利要求1所述的一种射击训练瞬时击发动作识别及标准性辅助评价方法，其特征在于：采用机器学习中的KNN算法对归一化后的训练数据集进行学习，之后，采用随机过采样先对偏少类别的样例进行样本均衡，并使用网格搜索方法遍历KNN算法的超参数K、距离权重weights及weights设置为distance时的超参数p，试验出最优超参数后利用该参数对全部数据集样本进行训练，得到能准确识别真实射击训练动作的分类器。
5.根据权利要求1所述的一种射击训练瞬时击发动作识别及标准性辅助评价方法，其特征在于：所述步骤S4具体包括以下内容：
针对从教导员处进行射击训练过程中采集的加速度信号，同样经过步骤S2的动作帧提取生成样本片段后，挑选出其中瞬时击发动作信号构成教导员射击样本X1,X2,X3,···,XM，先截取掉动作信号发生时间点后持续时间在3ms内的高频信号，然后采用DTW算法，依次将样本XP，P取1到M设为参考模板，其余样本作为测试模板QT与选定参考模板QR分别对X、Y、Z三轴进行动态规划算法训练，用以挑选出教导员多次射击时的最佳的帧样本信号作为枪支射击瞬时击发标准性评价模板。
6.根据权利要求5所述的一种射击训练瞬时击发动作识别及标准性辅助评价方法，其特征在于：所述挑选出教导员多次射击时的最佳的帧样本信号作为枪支射击瞬时击发标准性评价模板的具体步骤如下：
步骤1：将长度都为N，N＝T*fs的测试模板和参考模板的X轴，分别表示为QTX＝T1,T2,···,TN和QRX＝R1,R2,···,RN投影到一个二维直角坐标系中，并根据测试模板和参考模板的各个帧号作为坐标画出纵横线形成网络，网络中的每一个交叉点表示两模板中某一帧的交汇格点,以矩阵元素(i,j)表示QTXi和QRXj两个点的距离d(QTXi,QRXj)此处采用欧式距离，d(QTXi,QRXj)＝(QTXi-QRXj)2；
步骤2：利用DP算法搜索最佳路径；DP算法能够归结为寻找一条通过此网络中若干格点的路径，路径通过的格点即为测试和参考模板中进行计算的帧号，路径在进行搜索时，需要满足连续性、单调性以及边界条件三个约束，即如果路径已经通过格点(i,j)，那么下一个通过的格点只能是下列三种情况之一：(i+1,j+1)、(i+1,j)、(i,j+1)，这条路径若用W表示，其第k个元素定义为wk＝d(QTXi,QRXj)k,则有W＝w1,w2,···,wk,···,wN,在满足这些约束条件的路径中搜寻得到满足下面规整代价最小的路径：
Figure FDA0003101228220000051
同时定义Dist_P为第Xp个样本作为参考模板时，对从(0,0)开始直到(N,N)匹配的路径上的所有距离d(QTXi,QRXj)进行累加,累积距离Dist_P(i,j)L为以样本XL为测试模板时当前格点距离d(QTXi,QRXj)与能够到达该点的最小的邻近元素的累积距离之和；
Dist_P(i,j)L＝d(QTXi,QRXj)+min{Dist_P(i-1,j-1)L,Dist_P(i-1,j)L,Dist_P(i,j-1)L}
最后，对比样本XP设为参考模板与测试模板XL的累计距离Dist_P(i,j)L，L取值为1,2，···,P-1,P+1,···,M；选取可使得数组Dist_P(i,j)L取值范围最小的参考模板XP作为枪支射击瞬时击发标准性X轴评价模板，同理按步骤1至步骤2筛选出枪支射击瞬时击发标准性Y轴和Z轴评价模板。
7.根据权利要求1所述的一种射击训练瞬时击发动作识别及标准性辅助评价方法，其特征在于：步骤S5中，根据待评信号与评价模板间的X、Y、Z轴最短路径的累计距离参数DistX、DistY和DistZ，令Dist_t＝Dist_X+Dist_Y+Dist_Z,根据Dist_t代表的全部轴累计DTW距离值，设定不同的射击训练瞬时击发测试评价等级，该待评信号与评价模板之间的累计DTW距离值反映了射击者射击动作的标准性，故评价等级可作为训练中射击者瞬时击发动作标准性评价的辅助手段；所述评价等级为：将Dist_t取值范围在[0,50]设为优秀，[51,150]设为良好，[151,300]设为合格。
CN202110628360.6A 2021-06-04 2021-06-04 一种射击训练瞬时击发动作识别及标准性辅助评价方法 Active CN113255554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110628360.6A CN113255554B (zh) 2021-06-04 2021-06-04 一种射击训练瞬时击发动作识别及标准性辅助评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110628360.6A CN113255554B (zh) 2021-06-04 2021-06-04 一种射击训练瞬时击发动作识别及标准性辅助评价方法

Publications (2)

Publication Number Publication Date
CN113255554A true CN113255554A (zh) 2021-08-13
CN113255554B CN113255554B (zh) 2022-05-27

Family

ID=77186579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110628360.6A Active CN113255554B (zh) 2021-06-04 2021-06-04 一种射击训练瞬时击发动作识别及标准性辅助评价方法

Country Status (1)

Country Link
CN (1) CN113255554B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114237397A (zh) * 2021-12-16 2022-03-25 厦门大学 一种拳击动作识别方法、系统及电子设备
CN114818836A (zh) * 2022-06-29 2022-07-29 电科疆泰(深圳)科技发展有限公司 一种射击计数方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984416A (zh) * 2014-06-10 2014-08-13 北京邮电大学 一种基于加速度传感器的手势识别方法
KR20160087423A (ko) * 2015-01-13 2016-07-22 전남대학교산학협력단 전자기기에서의 동작 인식 시스템 및 방법
CN109780927A (zh) * 2018-12-29 2019-05-21 南京森林警察学院 一种基于射击动作反馈检测训练枪的射击训练方法
CN109934755A (zh) * 2019-03-22 2019-06-25 山东卫泰智能安防科技有限公司 射击训练子弹管理方法、装置、设备及存储介质
CN111401270A (zh) * 2020-03-19 2020-07-10 南京未艾信息科技有限公司 一种人体运动姿态识别评价方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984416A (zh) * 2014-06-10 2014-08-13 北京邮电大学 一种基于加速度传感器的手势识别方法
KR20160087423A (ko) * 2015-01-13 2016-07-22 전남대학교산학협력단 전자기기에서의 동작 인식 시스템 및 방법
CN109780927A (zh) * 2018-12-29 2019-05-21 南京森林警察学院 一种基于射击动作反馈检测训练枪的射击训练方法
CN109934755A (zh) * 2019-03-22 2019-06-25 山东卫泰智能安防科技有限公司 射击训练子弹管理方法、装置、设备及存储介质
CN111401270A (zh) * 2020-03-19 2020-07-10 南京未艾信息科技有限公司 一种人体运动姿态识别评价方法及其系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUE HU ET AL.: "Design and Research of Gait Recognition Method of Upper Knee Prosthesis Based on KNN Algorithm", 《PROCEEDINGS OF THE 2019 4TH INTERNATIONAL CONFERENCE ON ROBOTICS, CONTROL AND AUTOMATION》 *
谢小雨等: "基于肌电信号和加速度信号的动态手势识别方法", 《计算机应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114237397A (zh) * 2021-12-16 2022-03-25 厦门大学 一种拳击动作识别方法、系统及电子设备
CN114818836A (zh) * 2022-06-29 2022-07-29 电科疆泰(深圳)科技发展有限公司 一种射击计数方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113255554B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN105242779B (zh) 一种识别用户动作的方法和移动智能终端
CN113255554B (zh) 一种射击训练瞬时击发动作识别及标准性辅助评价方法
CN105184325B (zh) 一种移动智能终端
CN105844627B (zh) 一种基于卷积神经网络的海面目标图像背景抑制方法
CN106469313B (zh) 一种管径自适应时空域滤波的弱小目标检测方法
CN114429156A (zh) 雷达干扰多域特征对抗学习与检测识别方法
CN112115822B (zh) 一种水下移动目标智能融合感知方法
CN114821032A (zh) 基于改进YOLOv5网络的特殊目标异常状态检测与跟踪方法
CN110988985B (zh) 基于波形特征的地震信号检测方法
Dobrynin et al. Development of a method for determining the wear of artillery barrels by acoustic fields of shots
Djeddou et al. Classification and modeling of acoustic gunshot signatures
CN111833347A (zh) 一种输电线路防振锤缺陷检测方法及相关装置
CN105424170A (zh) 一种枪声探测计数方法及系统
CN104809444B (zh) 基于张量扩展的半脊方向滤波器红外小目标识别方法
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
CN108269566B (zh) 一种基于多尺度子带能量集特征的膛口波识别方法
Kong et al. A firearm identification system based on neural network
CN111738288B (zh) 一种基于单点激光检测的枪弹弹头快速匹配方法
Zhao et al. Study of UGS target recognition method based on recurrent neural network and peak value region extraction
CN109473112B (zh) 一种脉冲声纹识别方法、装置、电子设备及存储介质
CN109767434B (zh) 基于神经网络的时域弱小目标检测方法
Qu et al. Frequency-Hopping Signal Sorting Based on Deep Leaming
Liu et al. Robust detection of neural spikes using sparse coding based features
Liu et al. Tiny electronic component detection based on deep learning
Li A new approach for firearm identification with hierarchical neural networks based on cartridge case images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant