基于卷积神经网络的航母舰桥识别.pdf

Microcomputer Applications Vol.39,No.8,2023文章编号：10 0 7-7 57 X(2023)08-0177-05开发应用基于卷积神经网络的航母舰桥识别微型电脑应用2 0 2 3年第39 卷第8 期宋舒欣，李高星，刘楚楚，薛丁王，范有臣，钱克昌（战略支援部队航天工程大学，北京10 140 0）摘要：针对反舰导弹攻击航母时雷达关机的问题，提出转变制导方式为可见光制导，并采用YOLOv5神经网络对舰桥自动识别的技术方案。由于航母数据集较少，采用Mosaic数据增强的方法，不仅增加了数据集数量，而且提高了网络的鲁棒性。将特征明显、目标较大的舰桥作为主要识别对象。在对数据集进行建立之后，完成了对其的测试以及训练，从而获得了以下研究结论：在不同情况、不同角度的航母识别中，检测准确率可达到90%以上，对航母准确识别跟踪任务具有重要意义。关键词：航母；舰桥；目标识别；YOLOv5中图分类号：TP183Aircraft Carrier Bridge Recognition Based on Convolutional Neural NetworkSONG Shuxin,LI Gaoxing,LIU Chuchu,XUE Dingwang,FAN Youchen,QIAN Kechang(Space Engineering University of Strategic Support Force,Beijing 101400,China)Abstract:The change of guidance method to visible light guidance is proposed for the problem of radar shutdown during anti-ship missile attack on aircraft carriers.A technical solution is adopted for automatic identification of the bridge using YOLOv5neural network.Mosaic data augmentation is used due to the small carrier data set.This not only increases the number of datasets,but also improves the robustness of the network.The bridge with obvious features and larger targets is used as the mainrecognition object.Through the creation,training and testing of the dataset,the final experimental results are that the detec-tion accuracy can reach more than 90%in the identification of aircraft carriers in different situations and angles,which is signif-icant for the accurate identification and tracking task of aircraft carriers.Key words:aircraft carrier;bridge;target identification;YOLOv50引言航空母舰简称航母，是现今世界上最为复杂的武器之一。航空母舰已经是现代海军不可或缺的利器，也成为了一个国家综合国力的象征。其总体构造分为五个部分：飞行甲板、舰岛、升降机、机库与武器库。作为海上巨舰，航母自身能力十分强大。航母大部分结构都在甲板下被保护。航母的甲板是由8 0 mm的特殊钢材铸造，在航母的一些核心部位，例如其指挥中心和动力系统的钢材能够达到30 0 mm，航母的底部钢材厚度也达到150 200mm。高强度的材料和高厚度的甲板，使得直接使用现有武器很难击毁一艘航母。现有的打击航母武器主要为鱼雷和反舰导弹。其中，反舰导弹射程远、速度快、难拦截的特点使得各国争相发展反舰导弹，如美国的捕鲸叉、法国的飞鱼、德国的鹅、以色列的迦伯列和英国的海鹰等。美国曾经将“美国号”停泊在大西洋进行航母打击实验。分别使用鱼雷、导弹、自杀小艇对作者简介：宋舒欣（2 0 0 1一），女，本科，研究方向为信息对抗技术；李高星（2 0 0 0 一），女，本科，研究方向为信息对抗技术；刘楚楚（2 0 0 1一），女，本科，研究方向为武器发射工程；薛丁王（2 0 0 1一），男，本科，研究方向为信息对抗技术；范有臣（198 7 一），男，博士，讲师，研究方向为光电对抗；钱克昌（198 4一），男，博士，副教授，研究方向为对抗与安全。文献标志码：A其进行攻击，在连续攻击了2 5天后才将其击沉。由于航母需要信号的接收与发送，其指挥塔、飞行控制室、航海室、雷达和天线等需要高耸于甲板上。没有了甲板的保护，就为打击航母提供了有效的攻击点。反舰导弹是打击航母的一种有效手段，面对反舰导弹的不断发展，航母的雷达预警系统也在进步，现已经能做到在导弹最终识别跟踪阶段，及时关闭无线电设备，保持静默状态，使得导弹无法按照原定精度对航母进行有效打击。于是本文设想在最后航母保持静默状态阶段，将导弹识别模式由基于电磁波的识别转换为基于可见光的识别，进而不受航母静默的影响，继续跟踪，最终达到预定效果，击中航母舰岛，对航母造成有效损伤。不仅具有重要的军事意义，同时还存在着极高的军用价值，在战争过程中，当敌方航母处于静默状态时，可通过对导弹的辅助来实现对其的精准识别以及跟踪，从而能够使打击大效率以及精准度得到显著提升。本论文采用YOLOv5对航母舰桥进行检测，YOLOv5在实时目标检测上效果非常优秀。目标检测包括目标定位.177Microcomputer Applications Vol.39,No.8,2023和目标分类，YOLOv5模型在目标定位上可以理解为目标在图像中的确切位置，目标分类确定了图像中的目标。导弹使用摄像机把拍摄到的画面实时的传回服务器，利用YOLOv5算法对舰岛进行检测，当发现目标后，把航母舰岛位置信息传递给导弹自身识别跟踪系统，实现对航母舰岛的持续跟踪，最终达到打击目的，毁伤航母。同时，利用神经网络模型 1-2 可以预测航母的运动轨迹、运动速度，提高了目标打击精度，降低了人力和物力的浪费，节约了成本。1YOLOv5模型1.1网络结构对于YOLOv5来说，Backbone、输人端、预测层以及Neck等区域共同构成了其网络结构。YOLOv5能够对4个A00078.JP9开发应用网络模型进行提供，即YOLOv5x、YO LO v 5s、YO LO v 51以及YOLOv5m,若以特征图大小以及网络深度为依据来对其模型量级进行对比分析时，则最小模型为YOLOv5s，该网络具有最小宽度的特征图。其他3种网络模型均是以该网络为基础，然后不断进行加宽以及加深。1.2输入端1.2.1Mosaic 数据增强使用Mosaic数据增强方法极大的丰富了检测数据集，同时增加了网络的鲁棒性。把四张图像通过计算合成一张图像作为输入，减小了计算量，对GPU的要求降低。借助随机排布、随机缩放以及随机裁剪等方式来完成拼接，对于检测物体来说，能够使其小目标以及背景变得更加丰富。图1对增强效果图进行了展示。A000B2JP9P微型电脑应用2 0 2 3年第39 卷第8 期A00092.jPgR.RO图1Mosaic数据增强效果图1.2.2自适应锚框计算当采用YOLO算法来对不同数量集进行处理时，对于初始设定长宽来说，均存在着相应的锚框。在进行网络训练时，初始锚框发挥着重要作用，可借助它来实现对预测框的输出，同时与真实框Ground truth展开对比分析，对两者的差值进行计算，然后完成对其的反向更新，再对网络参数进行迭代。YOLOv5能够组织代码中完成对该功能的嵌入，在对不同训练集的训练过程中，可完成对最佳锚框值的自适应计算。1.2.3自适应图片缩放把图像送入网络之前，需要对图像进行尺度变换，YOLOv5利用自适应图片缩放，使图像的缩放填充变少，相应的计算量降低，使检测速度提高。1.3Backbone 结构Backbone 使用了 Focus 模块和 CSPNet(cross stage par-tialnetwork)模块。这是整个网络的重要组成部分。1.3.1Focus 结构当信息能够保持完整性时，Focus可用来将模型的计算量控制在较少水平。的作用为在信息不丢失的前提下减少模型的计算量。完成对图片的切片处理，原始图像的像素为608X6083，可在Focus结构中完成对其的输人，对切片操作进行使用，从而实现对相应特征图的获取，其像素为30 430412，然后通过对其的卷积操作来对一个像素为30 4304X32的特征图进行获取，其中卷积操作需要用到32 个卷积核。对于一张图像来说，可在一张图像上完成对其上下左右每间隔一个像素的像素点的整合，在通道空间中完成对图像长度H以及宽度W等信息的整合，从而12 通道的图像便可完成对原有3通道图像的替代，可通过对443图像的切片操作来获取2 2 12 的图片。每隔一个像素便完成对一个像素值的提取，因为各个像素值间存在着较近的距离，在完成了对其的重组之后，能够确保信息的完整性。Focus模块的原理如图2 所示。1213434一123434图2 Focus模块1.3.2CSPNet 结构YOLOv5中设计了2 种CSP结构，CSPNet有三方面的优点，增强了CNN的学习能力，降低了计算瓶颈，降低了内存成本。对于基础层来说，a，共同组成了其特征图，其中b能够从Partial Dense Block 中经过，其输出可与a相连，图4对其进行了展示。在完成了对梯度流的分隔之后，其便能够从不同网络中通过，对于梯度信息来说，能够使其相关性差异增大。CSPNet模块原理如图3所示。1.4Neck结构对FPN十PAN结构进行使用。然而，最早版本的YOLOv5仅对FPN结构进行了使用 3，其后续的优化版本才引入了PAN结构，同时还完成了对网络的部分调整。FPNNet可借助上采样方式来对特征信息进行传递，其传递方向为从上到下，最后可通过预测来实现对特征图的获取。.178.2211Microcomputer Applications Vol.39,No.8,2023开发应用DenseLayerl微型电脑应用2 0 2 3年第39 卷第8 期Partial DenseBlockConyconcatXbcopy1.5预测层1.5.1Bounding box损失函数以YOLOv5为研究对象，对于Bounding box来说，前者的GIOU_Loss4可用来充当其损失函数。GIOU_Loss能够使IoU Loss=O得到有效解决，Ground truth以及预测框不会出现重叠，即无法借助损失函数来进行优化的问题。1.5.2NMS非极大值抑制在进行目标检测时，其后处理过程要求对大量目标框进行筛选，一般需完成NMS操作 51。YOLOv5中仍然采用普通的NMS的方式。抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有2 个参数Convconcat+icopycopy图3CSPNet模块可变，一是邻域的维数，二是邻域的大小。2数据处理2.1数据集的制作本实验训练的图片集收集主要来自两部分。一部分是爬虫得到的数据集，包含90 0 张图片，其中图片差别较大，所包含航母种类较多。爬虫得到的图片如图4所示。另一部分图片来自于搜集的航母有关的真实视频，并对视频的读取和图片顿的转换。得到了30 0 0 张可见光条件下的航母图片，其中图片相似度较高。视频转化得到的图片如图5所示。,ConviconcatcopyConviconcatyConvconcat!Conv(a)(b)图4爬虫得到的图片(c)(a)将采集的图像经过排序获得原始数据集。采用图像标注工具labelImg，对航母舰桥部分进行标记，其标记数据输出为.xml和.txt。图6 对标记图像进行了展示。Li(b)图5视频转化得到的图片(c)图7 不进行标记的图小标注完成的文件将会保存到与原始数据集的同一个目录下，图像与.xml文件存在着一一对应的关系。共完成了对大约350 0 张数据集的标注，同时其均具有大约50 0 m的识别距离。图6 对图像进行标注在图像内，当目标占据着较大空间或比较模糊时，其便会失去意义，我们无需完成对其的标注。如图7 所示。2.2数据集的训练将标注图像进行训练，将得到的数据集在YOLOv5s进行训练10 0 次。结果如图8 所示。179Microcomputer Applications Vol.39,No.8,20230.70.60.50.40.30.20.10.1000.090.080.070.040.030.020.01对于Recall以及Precision来说，当由其来充当两轴，在完成作图之后，mAP0.5：0.9 5以及mAP0.5可标识其所围成的面积，平均由m来表示，当iou属于正负样本时，其阀值由后面的数来表示，对于大小为0.5：0.0 5：0.95的阈值来说，0.5:0.95可对其平均值进行表示；Precision指的是准确率；Recall 指的是召回率。这3个值越高说明识别的准确率越高。Objectness为目标检测loss均值，值越小目标检测越准。从训练结果中可以看出，随着训练次数的增加，对于YOLOv5s来说，能够使其训练的准确率得到显著提升，其值开发应用1.0r1.00.80.8S6o:sodv0.60.40.22040Train epoch(times)(a)2040Train epoch(times)(e)微型电脑应用2 0 2 3年第39卷第8 期1.0m0.80.60.60.40.2608060800.4H0.2510000.0300.0250.010F1000.005020Train epoch(times)(f)图：YOLOv5s训练10 0 次训练结果不低于9 0%，同时能够将损失率控制在较低水平。也就是说对航母识别的准确率越来越高。3实验结果与分析对可见光下单个航母舰桥识别的实验，由上述实验结果可知YOLOv5卷积神经网络在学习过后可较为准确的识别到航母舰桥，在此基础上，我们想探究在不同角度观测航母时，是否都能准确识别出航母舰桥，于是找出航母不同角度的图片，进行分类，主要分为了正视图、侧视图、俯视图，并对不同类别分别做了测试。测试结果如图9 所示。20Train epoch(times)(b)4060406080801001000.020020Train epoch(times)(g)00.080.070.060.050.040.0320Train epoch(times)(c)4060406080801001000.00500.0300.0250.0200.0150.01020Train epoch(times)(d)2040Train epoch(times)(h)4060608080100100hongmuogF00970.jpgnangmuonghangmu0.900hongmuorg)F0967.Jpghangmu0.9图9测试结果.180Microcomputer Applications Vol.39,No.8,2023在正视航母的情况条件下，以航母正常行进方向为正视hangmuoR:)开发应用方向。测试结果如图10 所示。微型电脑应用2 0 2 3年第39 卷第8 期(a)在侧视航母的情况条件下，以航母两侧的角度进行观测识别。测试结果如图11所示。在俯视航母的情况条件条件下，以能看到航母大面积甲板为俯视方向观察。测试结果如图12 所示。通过对测试结果的分析会发现，当不断增加训练次数(b)图10正视角度下的航母时，准确率会不断得到提升。无论是正视、侧视还是俯视角度下的航母舰桥，在以10 0 次训练为前提下，对航母的识别准确率能达到0.9 9 49,这达到了一个很高的准确率，可以说出现识别错误的概率极小。可知，用此模型对航母的识别优势是十分明显的。(c)ngmu0.90hangmu0.85hangmu0.88(a)(b)图11侧视角度下的航母(c)hangmu0.88百家号/查点论史(a)4总结YOLOv5卷积神经网络 6-7 为航母的自动识别提供了新的思路。文中首先提出了对航母识别跟踪的需求，然后通过YOLOv5卷积神经网络进行学习，通过收集数据、建立数据集、进行多次的训练，做到了较为准确的识别跟踪航母。下一步将结合战场实际情况，如烟雾干扰、红外干扰等实际情况，建立更加完备的数据集，以实现更好得适应实际应用情况。参考文献1SCHMIDHUBER J.Deep Learning in Neural Net-works:An OverviewJ.Neural Networks,2015,6l:85-117.2 M A T H,W A NG H M,Z H A NG L J,e t a l.G r a p h(b)图12俯视角度下的航母Classification Based on Structural Features of Signifi-cant Nodes and Spatial Convolutional Neural Net-worksJJ.Neurocomputing,2021,423:639-650.3徐德洋，王蓬勃，孙立宁.FPN的影响因素分析及相关应用 J.材料导报，2 0 14，2 8（19）：10 4-110.4檀结庆，朱星辰，蔡蒙琪，基于GMSD的新混合损失函数 J.合肥工业大学学报（自然科学版），2 0 2 1，44(4):472-477.5杨有为，周刚.面向自然场景文本检测的改进NMS算法 J/OL.计算机工程与应用，2 0 2 2，58（1）：2 0 4-2 0 8.6朱艳芳.基于卷积神经网络的图像识别方法研究与应用 D.天津：天津理工大学，2 0 19.7朱炯.基于卷积神经网络的目标检测与识别 D.徐州：中国矿业大学，2 0 19.(c)（收稿日期：2 0 2 1-0 9-2 6）.181.