CN114623727A - 一种激光成像近程探测目标识别方法 - Google Patents

一种激光成像近程探测目标识别方法 Download PDF

Info

Publication number
CN114623727A
CN114623727A CN202210247843.6A CN202210247843A CN114623727A CN 114623727 A CN114623727 A CN 114623727A CN 202210247843 A CN202210247843 A CN 202210247843A CN 114623727 A CN114623727 A CN 114623727A
Authority
CN
China
Prior art keywords
airplane
target
imaging
target image
laser
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
CN202210247843.6A
Other languages
English (en)
Other versions
CN114623727B (zh
Inventor
宋承天
邓梦芊
王晓文
潘立志
刘向
刘博虎
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210247843.6A priority Critical patent/CN114623727B/zh
Publication of CN114623727A publication Critical patent/CN114623727A/zh
Application granted granted Critical
Publication of CN114623727B publication Critical patent/CN114623727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F41—WEAPONS
    • F41G—WEAPON SIGHTS; AIMING
    • F41G3/00—Aiming or laying means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

本发明提供一种激光成像近程探测目标识别方法，基于四象限快速扫描成像探测原理，先对飞机的几何形体进行建模，再对弹目交会过程进行数学建模，利用计算机模拟激光引信的成像过程仿真生成不同弹目交会条件下的飞机目标图像；利用仿真生成的飞机目标图像，对图像中飞机部位进行标注，标注目标图像建立了激光成像引信的飞机目标图像数据集，其中包括目标完整图像以及目标的局部图像；用建立好的数据集进行训练和测试。本发明利用仿真得到的成像引信飞机目标图像，对图像中飞机关键部位进行标注建立了成像引信飞机目标数据集，为激光成像引信图像识别数据基础，提高了激光引信的精准起爆控制能力与抗干扰能力。

Description

一种激光成像近程探测目标识别方法
技术领域
本发明属于激光引信目标识别技术领域，具体涉及一种激光成像近程探测目标识别方法。
背景技术
由于激光具有高亮度、方向性强、单色性和相干性好等特点，使激光引信具有良好的定距精度。同时现代战场环境存在较强电磁干扰，激光引信由于具有较强的抗电磁干扰能力，因而得到各军事强国的重点研究。但是激光引信用于精确打击弹药对各类目标进行攻击时，在云雾、烟尘等能见度较低的环境中，气溶胶粒子对激光光子有散射和吸收作用，使得回波信号微弱难以提取和识别，引起引信虚警，会造成早炸或失效，导致弹药丧失精确毁伤能力。
激光成像引信发射激光束对目标进行主动且全向探测，云雾、烟尘由相对密集的气溶胶粒子组成，是一种不稳定可穿透性目标，云雾、烟尘在成像引信中呈现带状特征，且处于不断扩展的状态，而飞机、坦克等目标具有固定外形，激光成像形成的飞机、坦克等目标具有明确的线特征。通过成像可以直观的获取目标的几何形状和表面特征等信息，不仅可以从复杂背景中识别目标，克服非成像激光引信易受干扰的缺陷，而且可以进一步识别目标类型以及目标的关键部位，能可靠地识别目标与弹目交会状态，改善引战配合性能，使对目标的精确打击成为可能，提高对目标毁伤效果，从而提升武器系统的总体水平，是适应未来战争的有效措施。
主动式激光成像引信，通过接收自己发射经由目标反射并被引信接收的回波光束来探测目标。由于引信工作时，引信与目标的距离很近，只能利用弹目相对运动，在不同的观察点上，随着时间的推移，逐步获得目标图像。快速扫描成像探测利用激光器发射窄脉宽、高频率的激光束，利用微型电机带动4个激光发射器快速转动，使激光束在导弹子午面内快速扫描。弹目交会时，在接收系统中不同瞬间将接收到目标不同部位反射所形成的激光回波脉冲信号，并由回波信号出现时间的差异，利用它们之间的时序关系，可以确定回波信号所对应的角度；再将接收器输出的串行信号转换成多路并行信号，可实现目标图像提取。
在提取目标图像基础上，如何进行图像信息处理识别出弹目交会方位和目标部位，对于成像引信炸点精确起爆控制尤为重要。
发明内容
针对上述技术问题，本发明基于深度学习方法进行激光成像引信的目标图像识别，基于仿真建立了飞机目标数据集用于深度学习模型的训练和测试，并从减小模型的复杂度和加快识别速度出发，设计可适用于激光成像引信的轻量型深度学习图像识别方法。
具体的技术方案为：
一种激光成像近程探测目标识别方法，包括以下步骤：
基于四象限快速扫描成像探测原理，先对飞机的几何形体进行建模，再对弹目交会过程进行数学建模，利用计算机模拟激光引信的成像过程仿真生成不同弹目交会条件下的飞机目标图像；
利用仿真生成的飞机目标图像，对图像中飞机部位进行标注，将飞机目标分为四个部分进行标注，其中Ⅰ是前机身，Ⅱ是机翼，Ⅲ是后机身，发动机和油箱位于该部位，Ⅳ是尾翼；标注目标图像建立了激光成像引信的飞机目标图像数据集，其中包括目标完整图像以及目标的局部图像；
将轻量型的YOLO-Light目标检测算法应用于激光成像引信的图像识别中，将深度学习网络算法YOLOV3中的卷积用深度可分离卷积代替，用Dropout代替BatchNormalization，用建立好的数据集进行训练和测试。
本发明具有如下有益效果：
(1)利用仿真得到的成像引信飞机目标图像，对图像中飞机关键部位进行标注建立了成像引信飞机目标数据集，为激光成像引信图像识别数据基础。
(2)设计轻量型深度学习飞机目标识别算法，实现激光成像引信对目标的交会方向与关键部位识别，提高了激光引信的精准起爆控制能力与抗干扰能力。
附图说明
图1为本发明四象限快速扫描成像360°探测原理图；
图2为本发明快速扫描成像实现原理框图；
图3为本发明激光扫描成像引信飞机目标仿真图像集；
图4为本发明飞机目标部位划分示意图；
图5为本发明激光扫描成像引信飞机目标图像标注示意图；
图6为本发明图像标注文件格式；
图7为本发明YOLO-Light网络框架图；
图8为本发明深度可分离卷积网络示意图；
图9为本发明加入Dropout的神经网络结构；
图10a为本发明YOLO-Light网络训练的Loss曲线；
图10b为本发明YOLO-Light网络训练的IOU曲线；
图11为本发明YOLO-Light网络飞机目标图像部位识别结果。
具体实施方式
下面结合具体实施例和附图对本发明的具体实施方式做进一步详细解释，以下实施例及附图用以说明本发明，而不对本发明的范围进行限制。
基于四象限快速扫描成像探测原理，如图1所示，先对飞机的几何形体进行建模，再对弹目交会过程进行数学建模，利用计算机模拟激光引信的成像过程仿真生成了不同弹目交会条件下的飞机目标图像，如图3所示。
采用深度学习网络进行成像引信目标识别，需要从大量的数据中学习不同数据的特征，数据是模型训练与测试的基础，需要建立特定目标检测的数据集。利用仿真生成的飞机目标图像，对图像中飞机部位进行标注，如图4所示将飞机目标分为四个部分进行标注，其中Ⅰ是前机身，Ⅱ是机翼，Ⅲ是后机身，发动机和油箱位于该部位，Ⅳ是尾翼。标注了1890张目标图像建立了激光成像引信的飞机目标图像数据集，其中包括目标完整图像以及目标的局部图像，部分标注图像示意图如图5所示。该数据集的标注格式为Pascalvoc，如图6所示。
将轻量型的YOLO-Light目标检测算法应用于激光成像引信的图像识别中，网络结构如图7所示，将深度学习网络算法YOLOV3中的卷积用深度可分离卷积代替，如图8所示，用Dropout代替BatchNormalization，如图9所示。用建立好的数据集进行训练和测试，训练和测试的Loss曲线和IOU曲线如图10a和图10b所示，由测试结果可知YOLO-Light对飞机部位识别的平均精度均值为94.6％，实现了较高的识别准确率，部分目标图像识别结果如图11所示。
本发明实施例建立了快速扫描成像飞机目标图像训练与测试数据集，提供了一种基于轻量化深度学习算法YOLO-Light的激光成像引信飞机目标识别方法。
激光成像引信目标识别实现步骤如下：
(1)仿真获得1890张不同弹目交会条件下飞机目标的二值图像作为激光成像引信飞机目标数据集。
(2)选择飞机目标数据集中的1400张图像作为训练集，使用LabelImg进行标注，将飞机目标分为四部分：前机身、机翼、后机身和尾翼。图像变形严重，无法判断出是目标的哪个部位时，根据图像特征，只进行迎头或尾追的标记。
(3)用深度可分离卷积代替YOLOV3网络中的普通卷积，得到轻量型的目标检测算法YOLO-Light。舍弃YOLOV3的BatchNormalization，利用Dropout技术解决深度学习网络模型的过拟合问题，在训练过程中从神经网络中随机删除单元及其连接。
(4)搭建Darknet深度学习框架完成YOLO-Light算法的训练和检测任务，训练时参数设置如表1所示：
表1 YOLOV3训练参数设置
Figure BDA0003545755630000031
Figure BDA0003545755630000041
(5)用损失函数Loss曲线和重叠度(Intersection over union，IOU)曲线反映在训练集上训练的过程，结果均收敛。
(6)利用测试集400张图像上进行检测，并对识别准确率进行统计。YOLO-Light对飞机各部位的识别准确率如表2所示,这里mAP指算法对前机身、机翼、后机身、尾翼、迎头、尾追6种类型识别准确率的平均值。
表2识别准确率统计
Figure BDA0003545755630000042
综上所述，本发明实现了深度学习目标检测算法的轻量化并可以有效识别激光成像引信弹目交会时目标的关键部位。

Claims (3)

1.一种激光成像近程探测目标识别方法，其特征在于，包括以下步骤：
基于四象限快速扫描成像探测原理，先对飞机的几何形体进行建模，再对弹目交会过程进行数学建模，利用计算机模拟激光引信的成像过程仿真生成不同弹目交会条件下的飞机目标图像；
利用仿真生成的飞机目标图像，对图像中飞机部位进行标注，标注目标图像建立了激光成像引信的飞机目标图像数据集，其中包括目标完整图像以及目标的局部图像；
用建立好的数据集进行训练和测试。
2.根据权利要求1所述的一种激光成像近程探测目标识别方法，其特征在于，所述的对图像中飞机部位进行标注，将飞机目标分为四个部分进行标注，分别为前机身、机翼，、后机身、尾翼；发动机和油箱位于后机身。
3.根据权利要求1所述的一种激光成像近程探测目标识别方法，其特征在于，所述的用建立好的数据集进行训练和测试，将轻量型的YOLO-Light目标检测算法应用于激光成像引信的图像识别中，将深度学习网络算法YOLOV3中的卷积用深度可分离卷积代替，用Dropout代替BatchNormalization。
CN202210247843.6A 2022-03-14 2022-03-14 一种激光成像近程探测目标识别方法 Active CN114623727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210247843.6A CN114623727B (zh) 2022-03-14 2022-03-14 一种激光成像近程探测目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210247843.6A CN114623727B (zh) 2022-03-14 2022-03-14 一种激光成像近程探测目标识别方法

Publications (2)

Publication Number Publication Date
CN114623727A true CN114623727A (zh) 2022-06-14
CN114623727B CN114623727B (zh) 2023-07-14

Family

ID=81901458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210247843.6A Active CN114623727B (zh) 2022-03-14 2022-03-14 一种激光成像近程探测目标识别方法

Country Status (1)

Country Link
CN (1) CN114623727B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657224A (zh) * 2017-09-19 2018-02-02 武汉大学 一种基于部件的多层并行网络sar图像飞机目标检测方法
CN110223352A (zh) * 2019-06-14 2019-09-10 浙江明峰智能医疗科技有限公司 一种基于深度学习的医学图像扫描自动定位方法
CN110321874A (zh) * 2019-07-12 2019-10-11 南京航空航天大学 一种轻量化的卷积神经网络行人识别方法
CN112465057A (zh) * 2020-12-08 2021-03-09 中国人民解放军空军工程大学 一种基于深度卷积神经网络的目标检测识别方法
CN112580407A (zh) * 2019-09-30 2021-03-30 南京理工大学 一种基于轻量化神经网络模型的空间目标部件识别方法
CN112859907A (zh) * 2020-12-25 2021-05-28 湖北航天飞行器研究所 少样本条件下基于三维特效仿真的火箭残骸高空检测方法
CN113688709A (zh) * 2021-08-17 2021-11-23 长江大学 一种安全帽佩戴智能检测方法、系统、终端及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657224A (zh) * 2017-09-19 2018-02-02 武汉大学 一种基于部件的多层并行网络sar图像飞机目标检测方法
CN110223352A (zh) * 2019-06-14 2019-09-10 浙江明峰智能医疗科技有限公司 一种基于深度学习的医学图像扫描自动定位方法
CN110321874A (zh) * 2019-07-12 2019-10-11 南京航空航天大学 一种轻量化的卷积神经网络行人识别方法
CN112580407A (zh) * 2019-09-30 2021-03-30 南京理工大学 一种基于轻量化神经网络模型的空间目标部件识别方法
CN112465057A (zh) * 2020-12-08 2021-03-09 中国人民解放军空军工程大学 一种基于深度卷积神经网络的目标检测识别方法
CN112859907A (zh) * 2020-12-25 2021-05-28 湖北航天飞行器研究所 少样本条件下基于三维特效仿真的火箭残骸高空检测方法
CN113688709A (zh) * 2021-08-17 2021-11-23 长江大学 一种安全帽佩戴智能检测方法、系统、终端及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘艳钗: "基于图像边缘特征的引信目标识别技术", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN114623727B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
US12072705B2 (en) Intelligent decision-making method and system for unmanned surface vehicle
CN107577241B (zh) 一种基于避障系统的消防无人机航迹规划方法
CN112668175B (zh) 基于动态情况驱动的军事仿真方法及系统
CN111598232B (zh) 利用深度学习卷积神经网络估计复杂微动空间锥体目标参数的方法
CN112446874A (zh) 一种人机协作自主等级毁伤评估方法
CN111025249B (zh) 一种判定箔条干扰在仿真环境中干扰效果的方法
CN113657270A (zh) 一种基于深度学习图像处理技术的无人机追踪方法
CN109297497B (zh) 对无人机操控者溯源的方法及系统
CN112749761A (zh) 基于注意力机制和循环神经网络的敌方作战意图识别方法及系统
CN105676170B (zh) 一种用于多目标无源定位与跟踪的虚假点去除方法
Sehgal et al. Automatic target recognition using recurrent neural networks
CN116503862A (zh) 一种弹载/机载激光成像引信局部稀疏点云目标识别方法
CN112800082B (zh) 一种基于置信规则库推理的空中目标识别方法
Yan et al. Moving targets detection for video SAR surveillance using multilevel attention network based on shallow feature module
CN114623727B (zh) 一种激光成像近程探测目标识别方法
Gui Evaluation of unmanned equipment operational effectiveness based on ADC model
Farlík et al. Simplification of missile effective coverage zone in air defence simulations
Sehgal et al. Automatic Radar Target Identification Using Radar Cross Section Fluctuations and Recurrent Neural Networks
CN114136324A (zh) 一种基于雷达探测概率云图的隐身飞机航迹规划方法
CN115186378A (zh) 一种空战模拟环境中的战术控制距离实时解算方法
CN112051554B (zh) 智能空中对战环境地杂波干扰模拟方法
CN114002700A (zh) 激光末制导飞行器组网控制方法
Yang A study on development of intelligent ground-based air defense radar under the background of modern war
KR102488429B1 (ko) 딥러닝 기반의 함포 사격 제원 제공 시스템 및 방법
CN114140699B (zh) 基于在线局部Fisher矢量机的SAR图像目标识别方法及系统

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