兵工学报 ›› 2023, Vol. 44 ›› Issue (8): 2453-2464.doi: 10.12382/bgxb.2022.0300
收稿日期:
2022-04-24
上线日期:
2023-08-30
通讯作者:
基金资助:
ZHOU Yu1, CAO Ronggang1,2,3,*(), LI Ping1,3, MA Xiao1
Received:
2022-04-24
Online:
2023-08-30
摘要:
在无线电近炸引信抗干扰性能测试中,观测和识别炸点状态对引信的工作状态评估和性能改进至关重要。为此,提出一种基于深度神经网络的图像目标检测算法,用于引信炸点识别。在检测模型的结构设计及训练策略上实现以下新颖设计:模型基于高性能骨干网络ConvNeXt实现图像目标特征提取,使用密集连接跨阶段局部模块以及带通道注意力机制的多分支模块,以提升特征提取能力;使用任务解耦多检测头结构提升检测精度;在模型训练时,使用焦点损失函数作为分类和置信度的损失函数,使用完全交并比函数作为预测框回归的损失函数。研究结果表明:该检测算法在真实引信炸点图像数据集上实现平均精度为92.7%以及F1分数为87.4%的检测性能。实验结果表明,所提算法在引信炸点检测任务上性能优于现有典型检测模型。
中图分类号:
周宇, 曹荣刚, 栗苹, 马啸. 一种用于外场试验图像的引信炸点检测方法[J]. 兵工学报, 2023, 44(8): 2453-2464.
ZHOU Yu, CAO Ronggang, LI Ping, MA Xiao. A Fuze Burst Point Detection Method for Outfield Test Images[J]. Acta Armamentarii, 2023, 44(8): 2453-2464.
目标类别 | 目标总数 | 面积占比/% | |||
---|---|---|---|---|---|
最大值 | 最小值 | 中位数 | 均值 | ||
1 | 2578 | 11.04 | 0.10 | 1.91 | 2.18 |
2 | 2180 | 6.94 | 1.27 | 3.19 | 3.59 |
3 | 2020 | 10.87 | 2.14 | 5.19 | 5.39 |
表1 数据集目标标注真实框信息统计
Table 1 Information statistics of the annotated ground truth box of dataset target
目标类别 | 目标总数 | 面积占比/% | |||
---|---|---|---|---|---|
最大值 | 最小值 | 中位数 | 均值 | ||
1 | 2578 | 11.04 | 0.10 | 1.91 | 2.18 |
2 | 2180 | 6.94 | 1.27 | 3.19 | 3.59 |
3 | 2020 | 10.87 | 2.14 | 5.19 | 5.39 |
实验组 | 骨干网络 | 检测头 | 准确 率/% | 召回 率/% | 平均精 度/% | F1分 数/% |
---|---|---|---|---|---|---|
模型1 | DarkNet53 | 多检测头 | 74.6 | 55.0 | 74.7 | 59.8 |
模型2 | ConvNeXt | 单检测头 | 87.8 | 56.5 | 76.9 | 55.6 |
模型3 | ConvNeXt | 多检测头 | 85.0 | 57.2 | 79.8 | 65.7 |
表2 骨干网络和检测头改进设计对模型性能的影响
Table 2 Effects of improved designs of backbone and head on detection model performance
实验组 | 骨干网络 | 检测头 | 准确 率/% | 召回 率/% | 平均精 度/% | F1分 数/% |
---|---|---|---|---|---|---|
模型1 | DarkNet53 | 多检测头 | 74.6 | 55.0 | 74.7 | 59.8 |
模型2 | ConvNeXt | 单检测头 | 87.8 | 56.5 | 76.9 | 55.6 |
模型3 | ConvNeXt | 多检测头 | 85.0 | 57.2 | 79.8 | 65.7 |
实验组 | DCSP 模块 | MBCA 模块 | 准确 率/% | 召回率/ % | 平均精 度/% | F1分 数/% |
---|---|---|---|---|---|---|
模型3 | 85.0 | 57.2 | 79.8 | 65.7 | ||
模型4 | √ | 84.2 | 85.1 | 88.6 | 84.5 | |
模型5 | √ | 89.3 | 84.6 | 90.7 | 86.8 | |
模型6 | √ | √ | 87.3 | 87.8 | 92.7 | 87.4 |
表3 颈部结构改进措施对模型性能的影响
Table 3 Effects of improvement measures of neck on detection model performance
实验组 | DCSP 模块 | MBCA 模块 | 准确 率/% | 召回率/ % | 平均精 度/% | F1分 数/% |
---|---|---|---|---|---|---|
模型3 | 85.0 | 57.2 | 79.8 | 65.7 | ||
模型4 | √ | 84.2 | 85.1 | 88.6 | 84.5 | |
模型5 | √ | 89.3 | 84.6 | 90.7 | 86.8 | |
模型6 | √ | √ | 87.3 | 87.8 | 92.7 | 87.4 |
检测模型 | 准确率/% | 召回率/% | 平均精度/% | F1分数/% |
---|---|---|---|---|
Faster RCNN 模型 | 63.2 | 85.4 | 81.3 | 70.2 |
SSD模型 | 78.4 | 62.3 | 74.5 | 61.4 |
YOLOv3模型 | 80.5 | 59.4 | 76.1 | 64.8 |
YOLOX模型 | 87.9 | 74.1 | 87.5 | 81.1 |
本文模型 | 87.3 | 87.8 | 92.7 | 87.4 |
表5 基于提出数据集的不同检测模型性能比较
Table 5 Performance comparison of different detection models based on the proposed dataset
检测模型 | 准确率/% | 召回率/% | 平均精度/% | F1分数/% |
---|---|---|---|---|
Faster RCNN 模型 | 63.2 | 85.4 | 81.3 | 70.2 |
SSD模型 | 78.4 | 62.3 | 74.5 | 61.4 |
YOLOv3模型 | 80.5 | 59.4 | 76.1 | 64.8 |
YOLOX模型 | 87.9 | 74.1 | 87.5 | 81.1 |
本文模型 | 87.3 | 87.8 | 92.7 | 87.4 |
[1] |
周慧. 靶场光电经纬仪最优布站方法研究[J]. 测控技术, 2018, 37(3):142-144,149.
|
|
|
[2] |
董明荣, 许学忠, 张彤, 等. 空中炸点三基阵声学定位技术研究[J]. 兵工学报, 2010, 31(3):343-349.
|
|
|
[3] |
吕韶昱, 刘蔚, 孟庆慈. 差分GPS技术在靶场弹道测量中的应用研究[J]. 测控技术, 2003, 22(7):57-61.
|
|
|
[4] |
李翰山, 雷志勇, 王泽民, 等. 一种新型天幕交汇立靶精度测量系统[J]. 电光与控制, 2007, 14(5):153-155,159.
|
|
|
[5] |
李翰山, 雷志勇, 王泽民, 等. 多光幕法测量高空弹丸炸点坐标原理与分析[J]. 仪器仪表学报, 2009, 30(3):621-624.
|
|
|
[6] |
李静, 雷志勇, 王泽民, 等. 近炸引信对空炸点位置测试方法研究[J]. 计算机测量与控制, 2011, 19(7):1602-1604.
|
|
|
[7] |
秦晓燕, 袁广林. 基于主分量寻踪与分析的炮弹炸点检测[J]. 兵工学报, 2013, 34(10):1266-1272.
doi: 10. 3969/ j. issn. 1000-1093. 2013. 10. 011 |
|
|
[8] |
张冠武, 连豪, 谢敏. 战场侦察雷达对炸点目标的识别方法[J]. 雷达科学与技术, 2012, 10(4):396-399.
|
|
|
[9] |
doi: 10.1109/TPAMI.2016.2577031 URL |
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
doi: S0893-6080(17)30297-6 pmid: 29395652 |
[21] |
|
[22] |
|
[23] |
|
[24] |
|
[25] |
|
[1] | 吴礼洋, 呙鹏程, 刘超, 李文强. 基于注意力机制增强残差网络的雷达信号调制类型识别[J]. 兵工学报, 2023, 44(8): 2310-2318. |
[2] | 刘懿, 任济寰, 吴祥, 薄煜明. 基于集成迁移学习的新装备装甲车辆分类[J]. 兵工学报, 2023, 44(8): 2319-2328. |
[3] | 王学敏, 于洪波, 张翔宇, 安舒, 李文海. 基于Hough变换检测前跟踪的水下多目标被动检测方法[J]. 兵工学报, 2023, 44(7): 2114-2121. |
[4] | 何锦成, 韩永成, 张闻文, 何伟基, 陈钱. 基于通道校正卷积的真彩色微光图像增强[J]. 兵工学报, 2023, 44(6): 1643-1654. |
[5] | 柳嵩, 姚直象, 陆代强, 袁骏. 一种基于被动声呐宽带空间谱的自动检测算法[J]. 兵工学报, 2023, 44(6): 1764-1774. |
[6] | 刘佳, 刘海鸥, 陈慧岩, 毛飞鸿. 基于融合特征的无人履带车辆道路类型识别方法[J]. 兵工学报, 2023, 44(5): 1267-1276. |
[7] | 王检, 张邦宁, 张洁, 魏国峰, 郭道省. 基于多域特征融合的通信辐射源个体识别方法[J]. 兵工学报, 2023, 44(4): 949-959. |
[8] | 马鹏阁, 魏宏光, 孙俊灵, 陶然, 庞栋栋, 单涛, 蔡志勇, 刘兆瑜. 基于高斯-拉普拉斯滤波的增强局部对比度红外小目标检测算法[J]. 兵工学报, 2023, 44(4): 1041-1049. |
[9] | 孙强, 张伽伟, 喻鹏. 基于海洋浮标的电场干扰特性分析及信号检测方法[J]. 兵工学报, 2023, 44(3): 857-864. |
[10] | 张良安, 陈洋, 谢胜龙, 刘同鑫. 基于机器视觉与深度学习的飞机防护栅裂纹检测系统[J]. 兵工学报, 2023, 44(2): 507-516. |
[11] | 王洋, 冯永新, 宋碧雪, 田秉禾. DP-DRCnet卷积神经网络信号调制识别算法[J]. 兵工学报, 2023, 44(2): 545-555. |
[12] | 王亮, 陈建华, 李烨. 一种基于深度学习的无人艇海上目标识别技术[J]. 兵工学报, 2022, 43(S2): 13-19. |
[13] | 王晓琦, 赵旸, 张键, 王硕. 基于深度学习的船体三维模型自动生成方法[J]. 兵工学报, 2022, 43(S2): 115-119. |
[14] | 李博, 王博, 韩京冶, 杨宗睿, 栗霖雲, 傅畅之. 基于车载计算机的红外图像移动目标检测[J]. 兵工学报, 2022, 43(S1): 66-73. |
[15] | 李良福, 陈卫东, 高强, 许开銮, 刘轩, 何曦, 钱钧. 基于深度学习的光电系统智能目标识别[J]. 兵工学报, 2022, 43(S1): 162-168. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||