CN115388712B - 一种智能激光武器系统控制方法 - Google Patents

一种智能激光武器系统控制方法 Download PDF

Info

Publication number
CN115388712B
CN115388712B CN202211342060.2A CN202211342060A CN115388712B CN 115388712 B CN115388712 B CN 115388712B CN 202211342060 A CN202211342060 A CN 202211342060A CN 115388712 B CN115388712 B CN 115388712B
Authority
CN
China
Prior art keywords
target
unmanned aerial
aerial vehicle
intelligent
information processing
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.)
Active
Application number
CN202211342060.2A
Other languages
English (en)
Other versions
CN115388712A (zh
Inventor
闫梦龙
姜春福
周新鹏
亓晓
李佳航
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.)
Jigang Defense Technology Co ltd
Original Assignee
Jigang Defense Technology Co ltd
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 Jigang Defense Technology Co ltd filed Critical Jigang Defense Technology Co ltd
Priority to CN202211342060.2A priority Critical patent/CN115388712B/zh
Publication of CN115388712A publication Critical patent/CN115388712A/zh
Application granted granted Critical
Publication of CN115388712B publication Critical patent/CN115388712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F41—WEAPONS
    • F41H—ARMOUR; ARMOURED TURRETS; ARMOURED OR ARMED VEHICLES; MEANS OF ATTACK OR DEFENCE, e.g. CAMOUFLAGE, IN GENERAL
    • F41H13/00—Means of attack or defence not otherwise provided for
    • F41H13/0043—Directed energy weapons, i.e. devices that direct a beam of high energy content toward a target for incapacitating or destroying the target
    • F41H13/005—Directed energy weapons, i.e. devices that direct a beam of high energy content toward a target for incapacitating or destroying the target the high-energy beam being a laser beam
    • 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
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • General Engineering & Computer Science (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明提供了一种智能激光武器系统控制方法，属于激光武器领域。首先通过雷达探测发现疑似目标，通过智能信息处理专用设备对雷达信号的智能分析，得到无人机目标位置信息，进而引导高能激光毁伤系统进行感知成像，成像信号通过智能信息处理专用设备的智能分析，实现对无人机目标的智能检测与跟踪，进一步通过对无人机目标的型号智能识别和打击关键点智能提取，实现高能激光毁伤系统对无人机目标的智能出光毁伤处置。本发明实现高能激光毁伤系统对无人机目标的智能识别、跟踪和自动火力打击处置，从而从根本上减少人在回路交互处置，系统可以有效实现对无人机和无人机蜂群的自动化、智能化处置。

Description

一种智能激光武器系统控制方法
技术领域
本发明涉及一种智能激光武器系统控制方法，属于激光武器技术领域。
背景技术
近年来，随着无人机技术的迅猛发展，以消费级无人机为代表的“低慢小”飞行器对公共安全特别是军政要地、军事设施、大型设施以及重大活动的安保带来了严重的威胁。传统的防空武器面对无人机等低慢小目标时，存在发现识别困难、难以跟踪、效费比低等缺点。尽管近些年出现了雷达、光电、频谱侦测等发现手段，以及电子干扰、导航诱骗等处置手段，但都存在人在回路处置环节多，用户体验不佳的问题，此外电子干扰、导航诱骗等手段可能对民用导航、通信存在干扰，无法作为处置的托底手段。
作为一种利用高能激光束对无人机目标进行处置的新型防御技术，高能激光毁伤系统具有“光速处置、静默出击、持续作战、灵活精确、效费比高”等特点，是目前无人机反制的一个重要发展方向，与电子干扰、导航诱骗等技术相比，是一种最后保底和不可或缺的处置手段。但目前已有的高能激光毁伤系统，多需要很强的人工干预，在目标探测、识别、跟踪、出光几个关键环节，需要大量的人机交互，对操作人员的要求很高，主要体现在如下几个方面：
一是激光作为一个高能光电系统，其目标发现效率很低，一般都需要借助雷达探测系统进行目标发现和引导，而目前雷达处理系统在探测目标时，优于地杂波、多路径效应以及飞鸟等干扰目标的存在，使得目标探测就需要大量人在回路。
二是当雷达成功引导，实现无人机目标进入高能激光毁伤系统的光电视场范围内后，往往需要人工进行目标初始选择，以实现对无人机目标跟踪，当无人机目标的背景复杂时（如背景有高楼、山或者厚云），人工初始搜寻的工作量很大。
三是为了实现对无人机目标的快速击落，在进行激光出光时，需要人工进行打击点的选择，一般需要依据不同的无人机型号来选择打击点（如电池、舵机等），并且在完成毁伤后，需要人工停光处置。
发明内容
本发明目的是提供了一种智能激光武器系统和控制方法，实现高能激光毁伤系统对无人机目标的智能识别、跟踪和自动火力打击处置。
本发明为实现上述目的，通过以下技术方案实现：
步骤1：雷达扫描得到目标信息，对已经形成航迹的目标，输出航迹目标最新的原始中频I/Q信号到智能信息处理专用设备。
步骤2：智能信息处理专用设备不断基于雷达信号智能分类深度网络模型实现对目标的智能分类，提取出无人机目标。
具体步骤如下：
步骤2-1：对于输出信号
Figure 100002_DEST_PATH_IMAGE001
，将两路信号的n个采样点等距离均分为N行
Figure 100002_DEST_PATH_IMAGE002
列，形成信号采样矩阵
Figure 100002_DEST_PATH_IMAGE003
和
Figure 100002_DEST_PATH_IMAGE004
：
Figure 100002_DEST_PATH_IMAGE005
；
步骤2-2：对采样信号进行短时傅里叶变换，得到变换后的实部虚部矩阵重采样为N行
Figure 100002_DEST_PATH_IMAGE006
列矩阵
Figure 100002_DEST_PATH_IMAGE007
和
Figure 100002_DEST_PATH_IMAGE008
；结合雷达实时探测得到目标速度
Figure 100002_DEST_PATH_IMAGE009
、回波强度，以及计算得到的加速度
Figure 100002_DEST_PATH_IMAGE010
，构成的目标探测信息向量
Figure 100002_DEST_PATH_IMAGE011
。
步骤2-3：构建目标分类网络，以4个矩阵
Figure 100002_DEST_PATH_IMAGE012
、
Figure 100002_DEST_PATH_IMAGE013
、
Figure 100002_DEST_PATH_IMAGE014
和
Figure 100002_DEST_PATH_IMAGE015
为输入，利用基础卷积网络模块对输入进行特征提取，通过基础卷积网络模块输出特征后输入全连接层FC，并在FC层加入目标探测信息向量
Figure 100002_DEST_PATH_IMAGE016
，并使用Softmax函数进行分类。
步骤3：智能信息处理专用设备将无人机目标信息按照他们距离高能激光毁伤系统的距离由近到远排序，如果距离最近的无人机目标处于高能激光毁伤系统的杀伤范围外，则执行步骤1，否则智能信息处理专用设备将距离最近的无人机目标推送至高能激光毁伤系统，执行步骤4。
步骤4：智能信息处理专用设备依据场景感知相机视频的视频关键帧进行无人机目标检测，将场景感知相机视频的视频帧为输入，采用基于深度学习的目标检测算法来进行无人机目标的智能检测，如果检测成功则执行步骤5，否则执行步骤3。
步骤5：智能信息处理专用设备依据高能激光毁伤系统的精跟踪相机视频输入，通过深度网络模型进行目标型号识别和打击关键点提取。
所述深度网络模型以跟踪相机成像关键帧的中心为原点，裁剪视频影像切片输入到基础卷积神经网络模块得到特征图，然后进入全连接层，再通过无人机目标型号分类分支识别无人机型号，通过无人机打击点自动提取的回归分支自动提取无人机打击点。
步骤6：智能信息处理专用设备以打击关键点为跟踪中心计算脱靶量，并控制伺服和快反镜，实现对无人机目标的稳定跟踪，利用激光测距，实时获取无人目标离高能激光毁伤系统的距离，如果处在有效杀伤范围内执行步骤7，否则执行步骤2。
步骤7：由人工确认出光，如果确认出光，则高能激光毁伤系统在对无人机目标跟踪过程中自动出光，直到无人机目标被击毁脱靶停光，执行步骤2，否则持续执行步骤6。
优选的，所述目标分类网络将目标类型分为旋翼无人机、固定翼无人机、民航大飞机、飞鸟、其他目标。
优选的，所述目标分类网络可以使用残差网络结构ResNet或轻量化网络结构MobileNet。
优选的，所述步骤4使用的目标检测算法为YOLO，用softmax分类函数对无人机型号进行分类，具体公式如下：
Figure 100002_DEST_PATH_IMAGE017
式中：C为识别的类别数，P表示属于某一类别的概率，j表示类别索引，e表示自然底数，
Figure 100002_DEST_PATH_IMAGE018
表示最后全连接层的多项式函数。
则使用softmax损失的分类损失函数为：
Figure 100002_DEST_PATH_IMAGE019
。
优选的，所述无人机打击点自动提取的回归分支自动提取无人机打击点具体步骤如下：
打击点坐标为
Figure 100002_DEST_PATH_IMAGE020
，以图像长宽对打击点的坐标做归一化处理，具体表述为：
Figure 100002_DEST_PATH_IMAGE021
式中：W为图像宽度，H为图像高度，
Figure 100002_DEST_PATH_IMAGE022
为归一化后的打击点x坐标，
Figure 100002_DEST_PATH_IMAGE023
为归一化后打击点的y坐标。
回归分支部分的损失函数
Figure 100002_DEST_PATH_IMAGE024
为：
Figure 100002_DEST_PATH_IMAGE025
上式中
Figure 100002_DEST_PATH_IMAGE026
为图像中标注的真实值，i为打击点。
则总的损失函数描述为：
Figure 100002_DEST_PATH_IMAGE027
其中
Figure 100002_DEST_PATH_IMAGE028
为分类损失和回归损失的权重平衡系数。
优选的，包括雷达、高能激光毁伤系统和智能信息处理专用设备；其中雷达设计为X波段三坐标雷达，高能激光毁伤系统由光纤激光器、水冷机、捕获跟踪瞄准系统构成，智能信息处理专用设备的核心处理部件为能性能GPU、高性能CPU，以及定制串口数据接口，实现对雷达信号和高能激光毁伤光电信息的智能处理。
一种可智能激光武器系统，包括雷达、高能激光毁伤系统和智能信息处理专用设备；其中雷达设计为X波段三坐标雷达，高能激光毁伤系统由光纤激光器、水冷机、捕获跟踪瞄准系统构成，智能信息处理专用设备的核心处理部件为能性能GPU、高性能CPU，以及定制串口数据接口，实现对雷达信号和高能激光毁伤光电信息的智能处理。
本发明的优点在于：本发明通过对雷达、高能激光毁伤系统、智能信息处理专用设备的一体设计，并构建智能信号处理算法，实现对雷达信号中无人机目标的自动筛选，进一步实现高能激光毁伤系统对无人机目标的智能识别、跟踪和自动火力打击处置，从而从根本上减少人在回路交互处置，系统可以有效实现对无人机和无人机蜂群的自动化、智能化处置。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明系统结构示意图。
图2为本发明流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
系统硬件结构
本发明需要对雷达、高能激光毁伤系统在硬件需要有一体的设计考虑，首先整个系统有雷达、高能激光毁伤系统和智能信息处理专用设备三部分组成。其中雷达设计为X波段三坐标雷达，高能激光毁伤系统由光纤激光器、水冷机、ATP（捕获跟踪瞄准）系统构成，智能信息处理专用设备的核心处理部件为能性能GPU、高性能CPU，以及定制串口数据接口，实现对雷达信号和高能激光毁伤光电信息的智能处理。系统总体构成图如图1所示。
系统的基本设计思想为：首先通过雷达探测发现疑似目标，通过智能信息处理专用设备对雷达信号的智能分析，得到无人机目标位置信息，进而引导高能激光毁伤系统进行感知成像，成像信号通过智能信息处理专用设备的智能分析，实现对无人机目标的智能检测与跟踪，进一步通过对无人机目标的型号智能识别和打击关键点智能提取，实现高能激光毁伤系统对无人机目标的智能出光毁伤处置。为实现上述设计思路，需要对雷达系统、高能激光毁伤系统、以及智能信息处理专用设备进行基本设计约束如下。
（1）雷达关键参数设计
雷达要实现对无人机目标的大范围探测，同时本发明为实现对雷达信号的智能处理，要求雷达能够输出已经形成轨迹的目标最新点中频采样信号数据，这需要实现对雷达对目标进行航迹处理时，实现对已形成航迹目标的FPGA硬件信号同步，并输出I/Q采样信号。此外为了快速引导高能激光毁伤系统进行目标成像锁定，设计雷达还应满足如下最基本技术指标要求：
①探测距离：最大探测距离≥5km，最小搜索距离200m；
②定位精度：距离≤15m，方位角≤0.5º，俯仰角≤0.5º；
③分辨率：方位≤2°，俯仰≤5°，距离≤10m；
④数据更新时间：≤5s；
⑤I/Q采样点数：单目标采样点数优于256点。
需要说明的本发明是对雷达的智能信号处理，主要是从雷达回波信号中提取目标的维多普勒效应，进而进行智能识别分类，提取出无人机目标。本发明对雷达的分辨率和I/Q采样输出点数有特殊要求，需要达到给定设计的基本指标。
（2）高能激光毁伤系统关键参数设计
高能激光毁伤系统总体由主集成负载箱、伺服、集成箱体三部分组成。
其中主集成负载箱上集成了场景感知相机、激光照明、激光测距、激光发射光路。在雷达实现目标引导后，通过运行于智能信息处理专用设备的智能检测算法，实现场景感知相机获取影像中无人机目标的智能检测，激光测距实时得到目标距离高能激光毁伤系统的空间直线距离，激光发射光路采用将主激光发射光路与精跟踪相机同光路设计，智能信息处理专用设备依据场景感知相机的智能检测识别与精跟踪相机的智能跟踪，并通过激光发射光路中的快反镜实现对无人机目标的精确指向，同时依靠激光测距信息，通过调节激光发射光路实现高能激光的远场汇聚。
伺服设计支持主集成负载箱方位向和俯仰运动，具体控制由智能信息处理专用设备实现。
集成箱体内集成了光纤激光器、供电电池、激光器制冷装置、通信等配套设备。其中供电电池为光纤激光器供电，激光器制冷装置为光纤激光器提供散热制冷处理。
为实现高能激光毁伤系统在雷达引导信息下实现对无人机目标智能识别跟踪和物理毁伤，设计系统应满足如下最基本技术指标要求：
①场景感知相机：最大视场范围优于4.0°×3.3°，图像分辨率1920×1080，成像帧频FPS≥30，对典型无人机目标最远探测距离≥1.5km；
②激光照明：设计波长808nm±10nm，最远照射距离≥1.5km；
③激光测距：≥2.0km，测距精度≤2m，频率≥2HZ；
④激光发射光路：快反镜闭环带宽≥200HZ，最高功率10KW不损坏，精跟踪相机为定焦，视场角范围0.76°×0.43°，图像分辨率1920×1080，成像帧频FPS≥120；
⑤伺服：定位精度优于0.001°，保精度跟踪速度≥20°/s，保精度跟踪加速度≥10°/s²，闭环跟踪带宽≥200HZ；
⑥系统总体跟踪精度：10urad，总体跟踪带宽≥100HZ。
（3）智能信息处理专用设备关键参数设计
智能信息处理专用设备的功能主要为雷达信号的智能处理和高能激光毁伤系统的智能控制。在功能架构上，传统的激光武器对视频信号的处理主要使用FPGA+DSP的处理模式，在本发明中，采用GPU架构，通过网络接口将雷达信号、通过CameLink接口将高能激光毁伤系统的视频信号（包括场景感知相机视频和精跟踪相机视频）的智能处理，其中雷达信号只对已经形成航迹的目标点I/Q采样信号进行处理，场景感知相机主要是实现对无人机目标的智能检测与识别，只在雷达引导激光武器进行捕获跟踪，或者精跟踪脱靶时才使用，因此对雷达信号的智能处理和对场景感知相机视频的智能处理，设计雷达信号处理带宽优于1HZ即可，场景感知相机视频处理带宽优于5HZ即可，而对精跟踪相机视频，需要极高的处理速度和极小的处理延时，设计处理带宽优于120HZ，因此这里对智能信息处理专用设备的处理算力提出了较高的要求。
设计系统应满足如下最基本技术指标要求：
①GPU：≥15.7 TFLOPS（单精度浮点数），显存≥32GB；
②CPU：≥2.2GHz；
③内存：≥32GB；
④其他：支持多种串口、网口、CameLink等数据接口。
一种智能激光武器系统控制方法，具体如下：
步骤1：雷达扫描得到目标信息，对已经形成航迹的目标，输出航迹目标最新的原始中频I/Q信号到智能信息处理专用设备。
步骤2：智能信息处理专用设备不断基于雷达信号智能分类深度网络模型实现对目标的智能分类，提取出无人机目标。
具体步骤如下：
步骤2-1：对于输出信号
Figure DEST_PATH_IMAGE029
，将两路信号的n个采样点等距离均分为N行
Figure DEST_PATH_IMAGE030
列，形成信号采样矩阵
Figure DEST_PATH_IMAGE031
和
Figure DEST_PATH_IMAGE032
：
Figure DEST_PATH_IMAGE033
。
步骤2-2：对采样信号进行短时傅里叶变换，得到变换后的实部虚部矩阵重采样为N行
Figure 191342DEST_PATH_IMAGE030
列矩阵
Figure DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE035
；结合雷达实时探测得到目标速度
Figure DEST_PATH_IMAGE036
、回波强度A，以及计算得到的加速度
Figure DEST_PATH_IMAGE037
，构成的目标探测信息向量
Figure DEST_PATH_IMAGE038
。
步骤2-3：构建目标分类网络，以4个矩阵
Figure DEST_PATH_IMAGE039
、
Figure DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE041
和
Figure DEST_PATH_IMAGE042
为输入，利用基础卷积网络模块对输入进行特征提取，通过基础卷积网络模块输出特征后输入全连接层FC，并在FC层加入目标探测信息向量
Figure DEST_PATH_IMAGE043
，并使用Softmax函数进行分类，所述目标分类网络将目标类型分为旋翼无人机、固定翼无人机、民航大飞机、飞鸟、其他目标；本发明对雷达信号的智能处理带宽优于1HZ即可，因此可以考虑参数量较大的网络结构如残差网络结构ResNet（ResNet-50，ResNet-101，ResNet-152），当然也可以考虑依据需要选择轻量化网络结构如MobileNet（v1，v2，v3）等。
步骤3：智能信息处理专用设备将无人机目标信息按照他们距离高能激光毁伤系统的距离由近到远排序，如果距离最近的无人机目标处于高能激光毁伤系统的杀伤范围外，则执行步骤1，否则智能信息处理专用设备将距离最近的无人机目标推送至高能激光毁伤系统，执行步骤4；
步骤4：智能信息处理专用设备依据场景感知相机视频的视频关键帧进行无人机目标检测，将场景感知相机视频的视频帧为输入，采用基于深度学习的目标检测算法来进行无人机目标的智能检测，场景感知相机视频处理带宽优于5HZ即可，因此可以考虑使用检测精度较高较为成熟的目标检测算法如YOLO（V4、V5）等；如果检测成功则执行步骤5，否则执行步骤3；
步骤5：智能信息处理专用设备依据高能激光毁伤系统的精跟踪相机视频输入，通过深度网络模型进行目标型号识别和打击关键点提取；
所述深度网络模型以跟踪相机成像关键帧的中心为原点，裁剪视频影像切片输入到基础卷积神经网络模块得到特征图，然后进入全连接层，再通过无人机目标型号分类分支识别无人机型号，通过无人机打击点自动提取的回归分支自动提取无人机打击点；
所述通过无人机目标型号分类分支识别无人机型号采用softmax分类函数对无人机型号进行分类，具体公式如下：
Figure DEST_PATH_IMAGE044
式中：C为识别的类别数，P表示，j表示，e表示，
Figure DEST_PATH_IMAGE045
表示；
则使用softmax损失的分类损失函数为：
Figure DEST_PATH_IMAGE046
。
所述无人机打击点自动提取的回归分支自动提取无人机打击点具体步骤如下：
打击点坐标为
Figure DEST_PATH_IMAGE047
，以图像长宽对打击点的坐标做归一化处理，具体表述为：
Figure DEST_PATH_IMAGE048
式中：W为图像宽度，H为图像高度，
Figure 531318DEST_PATH_IMAGE022
为归一化后的打击点x坐标，
Figure 107793DEST_PATH_IMAGE023
为归一化后打击点的y坐标。
回归分支部分的损失函数
Figure DEST_PATH_IMAGE049
为：
Figure DEST_PATH_IMAGE050
上式中
Figure DEST_PATH_IMAGE051
为图像中标注的真实值，i为打击点；
则总的损失函数描述为：
Figure DEST_PATH_IMAGE052
其中
Figure DEST_PATH_IMAGE053
为分类损失和回归损失的权重平衡系数。
步骤6：智能信息处理专用设备以打击关键点为跟踪中心计算脱靶量，并控制伺服和快反镜，从而确保系统总体跟踪精度10urad，并且系统总体的跟踪带宽优于100HZ，实现对无人机目标的稳定跟踪，利用激光测距，实时获取无人目标离高能激光毁伤系统的距离，如果处在有效杀伤范围内执行步骤7，否则执行步骤2；
步骤7：由人工确认出光，如果确认出光，则高能激光毁伤系统在对无人机目标跟踪过程中自动出光，直到无人机目标被击毁脱靶停光，执行步骤2，否则持续执行步骤6。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种智能激光武器系统控制方法，其特征在于，包括以下步骤：
步骤1：雷达扫描得到目标信息，对已经形成航迹的目标，输出航迹目标最新的原始中频I/Q信号到智能信息处理专用设备；
步骤2：智能信息处理专用设备不断基于雷达信号智能分类深度网络模型实现对目标的智能分类，提取出无人机目标；
具体步骤如下：
步骤2-1：对于输出信号
Figure DEST_PATH_IMAGE001
，将两路信号的n个采样点等距离均分为N行
Figure DEST_PATH_IMAGE002
列，形成信号采样矩阵
Figure DEST_PATH_IMAGE003
和
Figure DEST_PATH_IMAGE004
：
Figure DEST_PATH_IMAGE005
；
步骤2-2：对采样信号进行短时傅里叶变换，得到变换后的实部虚部矩阵重采样为N行
Figure DEST_PATH_IMAGE006
列矩阵
Figure DEST_PATH_IMAGE007
和
Figure DEST_PATH_IMAGE008
；结合雷达实时探测得到目标速度
Figure DEST_PATH_IMAGE009
、回波强度，以及计算得到的加速度
Figure DEST_PATH_IMAGE010
，构成的目标探测信息向量
Figure DEST_PATH_IMAGE011
；
步骤2-3：构建目标分类网络，以4个矩阵
Figure DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
、
Figure DEST_PATH_IMAGE014
和
Figure DEST_PATH_IMAGE015
为输入，利用基础卷积网络模块对输入进行特征提取，通过基础卷积网络模块输出特征后输入全连接层FC，并在FC层加入目标探测信息向量
Figure DEST_PATH_IMAGE016
，并使用Softmax函数进行分类；
步骤3：智能信息处理专用设备将无人机目标信息按照他们距离高能激光毁伤系统的距离由近到远排序，如果距离最近的无人机目标处于高能激光毁伤系统的杀伤范围外，则执行步骤1，否则智能信息处理专用设备将距离最近的无人机目标推送至高能激光毁伤系统，执行步骤4；
步骤4：智能信息处理专用设备依据场景感知相机视频的视频关键帧进行无人机目标检测，将场景感知相机视频的视频帧为输入，采用基于深度学习的目标检测算法来进行无人机目标的智能检测，如果检测成功则执行步骤5，否则执行步骤3；
步骤5：智能信息处理专用设备依据高能激光毁伤系统的精跟踪相机视频输入，通过深度网络模型进行目标型号识别和打击关键点提取；
所述深度网络模型以跟踪相机成像关键帧的中心为原点，裁剪视频影像切片输入到基础卷积神经网络模块得到特征图，然后进入全连接层，再通过无人机目标型号分类分支识别无人机型号，通过无人机打击点自动提取的回归分支自动提取无人机打击点；
步骤6：智能信息处理专用设备以打击关键点为跟踪中心计算脱靶量，并控制伺服和快反镜，实现对无人机目标的稳定跟踪，利用激光测距，实时获取无人目标离高能激光毁伤系统的距离，如果处在有效杀伤范围内执行步骤7，否则执行步骤2；
步骤7：由人工确认出光，如果确认出光，则高能激光毁伤系统在对无人机目标跟踪过程中自动出光，直到无人机目标被击毁脱靶停光，执行步骤2，否则持续执行步骤6。
2.根据权利要求1所述的智能激光武器系统控制方法，其特征在于，所述目标分类网络将目标类型分为旋翼无人机、固定翼无人机、民航大飞机、飞鸟、其他目标。
3.根据权利要求1所述的智能激光武器系统控制方法，其特征在于，所述目标分类网络使用残差网络结构ResNet或轻量化网络结构MobileNet。
4.根据权利要求1所述的智能激光武器系统控制方法，其特征在于，所述步骤4使用的目标检测算法为YOLO，用softmax分类函数对无人机型号进行分类，具体公式如下：
Figure DEST_PATH_IMAGE017
式中：C为识别的类别数，P表示属于某一类别的概率，j表示类别索引，e表示自然底数，
Figure DEST_PATH_IMAGE018
表示最后全连接层的多项式函数；
则使用softmax损失的分类损失函数为：
Figure DEST_PATH_IMAGE019
。
5.根据权利要求4所述的智能激光武器系统控制方法，其特征在于，所述无人机打击点自动提取的回归分支自动提取无人机打击点具体步骤如下：
打击点坐标为
Figure DEST_PATH_IMAGE020
，以图像长宽对打击点的坐标做归一化处理，具体表述为：
Figure DEST_PATH_IMAGE021
式中：W为图像宽度，H为图像高度，
Figure DEST_PATH_IMAGE022
为归一化后的打击点x坐标，
Figure DEST_PATH_IMAGE023
为归一化后打击点的y坐标；
回归分支部分的损失函数
Figure DEST_PATH_IMAGE024
为：
Figure DEST_PATH_IMAGE025
上式中
Figure DEST_PATH_IMAGE026
为图像中标注的真实值，i为打击点；
则总的损失函数描述为：
Figure DEST_PATH_IMAGE027
其中
Figure DEST_PATH_IMAGE028
为分类损失和回归损失的权重平衡系数。
6.一种执行权利要求1-5任一所述方法的智能激光武器系统，其特征在于，包括雷达、高能激光毁伤系统和智能信息处理专用设备；其中雷达设计为X波段三坐标雷达，高能激光毁伤系统由光纤激光器、水冷机、捕获跟踪瞄准系统构成，智能信息处理专用设备的核心处理部件为能性能GPU、高性能CPU，以及定制串口数据接口，实现对雷达信号和高能激光毁伤光电信息的智能处理。
CN202211342060.2A 2022-10-31 2022-10-31 一种智能激光武器系统控制方法 Active CN115388712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211342060.2A CN115388712B (zh) 2022-10-31 2022-10-31 一种智能激光武器系统控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211342060.2A CN115388712B (zh) 2022-10-31 2022-10-31 一种智能激光武器系统控制方法

Publications (2)

Publication Number Publication Date
CN115388712A CN115388712A (zh) 2022-11-25
CN115388712B true CN115388712B (zh) 2023-01-31

Family

ID=84115123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211342060.2A Active CN115388712B (zh) 2022-10-31 2022-10-31 一种智能激光武器系统控制方法

Country Status (1)

Country Link
CN (1) CN115388712B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101680946A (zh) * 2007-05-14 2010-03-24 雷斯昂公司 用于从雷达跟踪数据选择目标的方法和装置
CN104808188A (zh) * 2015-03-26 2015-07-29 中国人民解放军海军航空工程学院 多项式Hough傅里叶变换的高速隐身目标检测方法
CN106959054A (zh) * 2017-03-17 2017-07-18 江苏锐盾警用装备制造有限公司 一种无人机捕捉拦截装置
CN109932716A (zh) * 2019-03-03 2019-06-25 中国人民解放军空军工程大学 一种低空目标微多普勒特征提取方法
CN111664752A (zh) * 2020-05-13 2020-09-15 飒铂智能科技有限责任公司 一种无人机反制系统
CN112305506A (zh) * 2020-10-26 2021-02-02 哈尔滨工程大学 一种基于cnn的lpi雷达信号检测方法
CN113030843A (zh) * 2021-04-26 2021-06-25 中国人民解放军国防科技大学 基于改进iaa波束形成的低空目标测向方法
CN114508966A (zh) * 2021-11-17 2022-05-17 航天科工微电子系统研究院有限公司 一种地空联合多层次拦截的随行防御系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10838057B2 (en) * 2016-10-14 2020-11-17 Lockheed Martin Corporation Radar system and method for determining a rotational state of a moving object

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101680946A (zh) * 2007-05-14 2010-03-24 雷斯昂公司 用于从雷达跟踪数据选择目标的方法和装置
CN104808188A (zh) * 2015-03-26 2015-07-29 中国人民解放军海军航空工程学院 多项式Hough傅里叶变换的高速隐身目标检测方法
CN106959054A (zh) * 2017-03-17 2017-07-18 江苏锐盾警用装备制造有限公司 一种无人机捕捉拦截装置
CN109932716A (zh) * 2019-03-03 2019-06-25 中国人民解放军空军工程大学 一种低空目标微多普勒特征提取方法
CN111664752A (zh) * 2020-05-13 2020-09-15 飒铂智能科技有限责任公司 一种无人机反制系统
CN112305506A (zh) * 2020-10-26 2021-02-02 哈尔滨工程大学 一种基于cnn的lpi雷达信号检测方法
CN113030843A (zh) * 2021-04-26 2021-06-25 中国人民解放军国防科技大学 基于改进iaa波束形成的低空目标测向方法
CN114508966A (zh) * 2021-11-17 2022-05-17 航天科工微电子系统研究院有限公司 一种地空联合多层次拦截的随行防御系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于深度卷积神经网络的遥感图像飞机目标检测方法》;闫梦龙等;《电子与信息学报》;20181115;全文 *
《防空雷达中的目标识别技术》;许小剑，黄培康;《系统工程与电子技术》;19960520;全文 *

Also Published As

Publication number Publication date
CN115388712A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
WO2021073528A1 (zh) 一种无人艇智能决策方法及系统
CN207231315U (zh) 一种无人机狙击系统
CN107883817B (zh) 带有混合制导武器的无人直升机控制系统及控制方法
CN111123983B (zh) 一种无人机截击网捕控制系统及控制方法
CN106709498A (zh) 一种无人机拦截系统
CN107514936A (zh) 一种近程激光防御系统
CN101866006A (zh) 旋转式多传感器光电雷达
CN105446351A (zh) 一种能够锁定目标区域瞭望基于自主导航的无人飞艇系统
CN114508966B (zh) 一种地空联合多层次拦截的随行防御系统
CN115388712B (zh) 一种智能激光武器系统控制方法
CN110033490A (zh) 一种基于光电图像自动识别的机场低慢小目标防控方法
CN219247855U (zh) 一种黑飞无人机智能抓捕装置
CN106873626A (zh) 一种无源定位寻的系统
CN206330486U (zh) 一种新型低附带损伤无人飞行器拦截装置
WO2022022023A1 (zh) 激光末制导飞行器组网控制方法
CN112461059B (zh) 一种图像寻的制导导弹地面发射方法
CN112241180B (zh) 一种无人机移动平台降落引导的视觉处理方法
CN209460401U (zh) 车载无人机光电反制装置
Yuan et al. Integrated Design and Research on Detection-Guidance-Control of Anti-micro UAV System
CN107008017B (zh) 一种青少年国防教育专用的多功能侦测飞行器模型
Tang et al. Target recognition method of laser imaging fuze based on deep transfer learning
Qiu et al. Yolo-based detection technology for aerial infrared targets
Zhao The Research on Police UAV Investigation Technology Based on Intelligent Optimization Algorithm
CN210346486U (zh) 一种干扰诱导无人机装置
CN117710885A (zh) 一种基于计算机视觉的激光查打和充能方法及系统

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