基于雷达自动目标识别技术的反无人机雷达

面对“低慢小”(Low Slow Small, LSS)无人机威胁挑战,反无人机雷达的关键作用日益凸显。在反无人机系统(Countering-Unmanned Aerial Systems, C-UAS)技术中,反无人机雷达作为C-UAS的核心传感器,承担着关键任务,包括探测和导引等。尽管其重要性显而易见,反无人机雷达设计仍然存在概念上的不清晰,例如如何定义LSS无人机目标,以及为何众多反无人机雷达难以探测无人机等问题。通过探讨雷达自动目标识别(Automatic Target Recognition, ATR)技术在反无人机雷达中的应用,从目标特性和探测技术2个方面明确了关键问题。强调了雷达探测的独立过程,将其分为“信号检测”和“目标识别”,并指出反无人机雷达的主要探测对象是LSS无人机目标。ATR性能等级被明确定义,涵盖了“Detection探测”“Classification分类”“Identification识别”“Description描述”4个等级。整合ATR功能显著提升了无人机的探测距离和识别能力,推动了反无人机雷达系统的性能升级。

异构工业控制网络多源目标入侵自动识别研究

异构工业控制网络多源目标特征处在不断变化中,具有起伏性,导致入侵识别精准度较低。提出考虑数据特征实时变化的入侵自动识别方法,并应用到异构工业控制网络中。设定归一化入侵特征空间,将全部网络数据规范到该空间内,并根据最大值和最小值比对将超出范围数据重新作归一化处理。以时域矩阵偏度特征、峰度特征以及包络起伏度特征作为入侵特征提取类别,分别计算工业控制网络中三种特征数据大小。在此基础上,首先计算一组入侵数据样本在网络中的各项特征表现;然后将表现参数转换为聚类中心值,求解待识别目标与聚类中心间欧式距离;最后按照距离大小完成入侵目标自动识别。试验数据证明:该方法在工控网络中识别精准度较高,并可在多种网络攻击环境下实现精准识别。该方法具有较好的应用效果。

水下目标物侧扫声呐图像自动识别

为解决现有港航工程、海洋工程建设中采用侧扫声呐进行水下目标检测和识别方法的局限性问题,通过引入YOLOV3深度学习方法,利用人工标记的侧扫声呐图像对深度神经网络进行训练和测试,检测水下沉船目标;采用转移学习方法,利用预先训练好的卷积神经网络对侧扫声呐数据进行特征提取、感兴趣区域(ROI)汇聚、目标定位和分类,实现目标自动检测和识别,提高了效率,且目标检测的平均识别精度达到88%。

基于合成数据集的多目标识别与6-DoF位姿估计

多目标识别及六自由度(6-DoF)位姿估计是实现物料无序堆放状态下机器人自动分拣的关键。近年来,基于深度神经网络的方法在目标识别及位姿估计领域受到广泛关注,但此类方法依赖大量训练样本,而样本的采集及标注费时费力,限制了其实用性。其次,当成像条件差、目标相互遮挡时,现有位姿估计方法无法保证结果的可靠性,进而导致抓取失败。为此,文中提出了一种基于合成数据样本的目标识别、分割及位姿估计方法。首先,以目标对象的3维(3D)几何模型为基础,利用3D图形编程工具生成虚拟场景的多视角RGB-D合成图像,并对生成的RGB图像及深度图像分别进行风格迁移和噪声增强,从而提高合成数据的真实感,以适应真实场景的检测需要;接着,利用合成数据集训练YOLOv7-mask实例分割模型,运用真实数据进行测试,结果验证了该方法的有效性;然后,以分割结果为基础,基于ES6D目标位姿估计模型,提出了一种在线姿态评估方法,以自动滤除严重失真的估计结果;最后,采用基于主动视觉的位姿估计校正策略,引导机械臂运动到新的视角重新检测,以解决因遮挡而导致位姿估计偏差的问题。在自行搭建的6自由度工业机器人视觉分拣系统上进行了实验,结果表明,文中提出的方法能较好地适应复杂环境下工件的识别与6-DoF姿态估计要求。

自动目标识别评价方法发展述评

自动目标识别(ATR)是一个汇集模式识别、人工智能、信息处理等多学科融合发展的技术领域,ATR评价则是将ATR算法/系统等作为研究对象的评价行为。由于ATR算法/系统面临目标非合作、工作条件复杂多样、决策者自身存在多种主观偏好等诸多困难,ATR评价贯穿ATR研制的全过程,对ATR技术发展起到重要的指导作用。该文首先阐述了ATR评价方法研究的内涵,简要回顾ATR技术发展;然后从性能指标定义、测试条件构建、推断与决策等方面详细梳理分析了ATR评价方法研究的成果、应用及最新研究进展;最后总结了若干ATR评价方法研究的发展方向。该文旨在为更好地理解ATR评价和有效使用ATR评价方法提供新的参考借鉴。

多模态信息融合舰船目标识别研究进展

舰船目标识别的信息源主要来自现代高分辨率成像雷达形成的舰船目标信息,包括高分辨距离像、船舶自动识别系统信息以及合成孔径雷达成像。在对海探测环境相对复杂的情况下,基于单模态信息对海上舰船目标识别的能力有限,而利用多模态信息融合将更有益于实现对海上目标高效的侦察监视和识别。首先,对单模态舰船目标识别方法进行梳理和总结,分析目前不同舰船目标识别方法存在的优势和不足;然后对多模态信息融合舰船目标识别常用数据集进行介绍,并对新方法、新模型进行了深入分析;最后对舰船目标识别未来发展趋势进行展望,为后续基于多模态信息融合的舰船目标识别方法研究提供参考。

自动目标识别(ATR)算法评估研究综述

自动目标识别(ATR)算法评估是ATR研究领域的一项关键技术,已成为近年来该领域的一个热门课题。从ATR算法评估的国内外研究现状开始,对其常用的评估指标、典型的评估方法等进行了较为全面的分析和综述,在此基础上,比较了各种指标的优缺点,讨论了典型方法的适用范围,给出了主要研究结论,并提出了需要进一步解决的问题。

基于被动声呐音频信号的水中目标识别综述

基于被动声呐音频信号的水中目标识别是当前水下无人探测领域的重要技术难题,在军事和民用领域都应用广泛.本文从数据处理和识别方法两个层面系统阐述基于被动声呐信号进行水中目标识别的方法和流程.在数据处理方面,从基于被动声呐信号的水中目标识别基本流程、被动声呐音频信号分析的数理基础及其特征提取三个方面概述被动声呐信号处理的基本原理.在识别方法层面,全面分析基于机器学习算法的水中目标识别方法,并聚焦以深度学习算法为核心的水中目标识别研究.本文从有监督学习、无监督学习、自监督学习等多种学习范式对当前研究进展进行系统性的总结分析,并从算法的标签数据需求、鲁棒性、可扩展性与适应性等多个维度分析这些方法的优缺点.同时,还总结该领域中较为广泛使用的公开数据集,并分析公开数据集应具备的基本要素.最后,通过对水中目标识别过程的论述,总结目前基于被动声呐音频信号的水中目标自动识别算法存在的困难与挑战,并对该领域未来的发展方向进行展望.

基于时间序列森林的雷达高分辨距离像目标识别

为了提高雷达目标识别准确率与不完备角域数据下的识别性能,提出一种基于时间序列森林的高分辨距离像(HRRP)目标识别算法。详细介绍了时间序列森林算法的基本原理和用于HRRP目标识别的基本步骤。对实测HRRP数据的实验结果表明,相比于K-最近邻(KNN)、支持向量机(SVM)、随机森林(RF)、卷积神经网络(CNN)和长短时记忆网络(LSTM)等经典的目标识别算法,本文算法具有较优的识别性能与更好的角域推广能力。在只训练1/2和1/3角域数据的条件下,对全角域数据识别率均值优于85%,较上述方法平均提升5.2%。

自动目标识别(ATR)技术发展述评

能够自动进行目标识别 ( ATR)是现代武器装备力争具备的先进性能之一。从历史回顾、当前状态及未来发展等几个方面对自动目标识别的研究历程、技术现状和发展前景进行了较为详细的论述 。

基于深度学习的黄土滑坡自动识别

对黄土滑坡的自动识别可以有效地帮助滑坡灾害的风险管理。传统的滑坡识别方法主要依赖人工操作,效率较低。为此,探索深度学习方法,利用遥感图像进行黄土滑坡的自动识别。采用谷歌地图开源数据集,并使用深度学习模型来实现滑坡的自动检测。实验结果表明,所提的方法在准确率和召回率上取得显著提高,为黄土滑坡的自动识别提供了有力支持。

基于视频识别技术的电气火灾自动报警系统

为了提高电气火灾自动报警准确性和实时性,设计基于视频识别技术的电气火灾自动报警系统。首先通过火灾探测器采集电气火灾视频数据,采用D-S证据理论算法对数据进行融合处理,然后采集盒式滤波器对电气火灾视频进行去噪处理,从电气火灾视频序列提取闪烁和色彩特征,神经网络根据电气火灾特征建立电气火灾检测模型,根据检测结果进行电气火灾自动报警,测试结果表明:所提系统减少了电气火灾自动报警响应时间,提高了电气火灾识别准确性,可以满足电气火灾自动报警实际应用要求。

基于视觉的多自由度机械臂目标自动跟随系统

为实现机械臂对目标物体的准确跟随,建立机械臂模型的坐标系,根据目标物体的坐标求解出各舵机关节在允许范围内的转动角度,确定二维坐标系下机械臂的运动轨迹。利用这一算法设计了基于视觉的机械臂跟随系统,系统主要包括控制系统、软件模块和硬件结构3个部分。搭建了机械臂目标跟随实验平台,利用摄像头通过LabVIEW 2018软件的视觉模块完成目标物体的快速识别与定位,得出目标物体的坐标位置,然后由LabVIEW程序运算得到机械臂各关节转动角度,通过舵机控制板实现关节舵机的特定运动,最终实现机械臂对目标物体的准确跟随。

PyTorch框架下的复杂场景目标识别方法研究

人工智能框架(PyTorch+OneDNN)在复杂场景目标识别上,易陷入网络参数梯度超规模的问题。为此,提出一种基于PyTorch框架的复杂场景目标识别方法。引入MPI中的RingAllreduce算法,优化PyTorch框架,以此实现复杂场景特征迭代提取过程中的超规模数据同步和规约处理。以优化后的PyTorch框架为基础,考虑到复杂场景目标特征与背景特征之间的交叉性,构建增强多尺度特征层输出的目标特征之间的关联。借助反卷积特征融合操作和残差融合操作的优势,依据上述关联性,实现目标自动识别。测试结果表明:所提方法的整体错误识别数量为113个,整体未识别数量为107个,证明了所提方法具有较优的自动化识别效果。

自动目标识别(ATR)可靠性研究

对同类目标畸变不变的正确识别率与不同类目标分类误识别率是衡量一个自动目标识别 (ATR)系统的两个最重要性能指标。但在实际应用中 ,ATR系统所获取的外场的目标与背景总是处于随时间不断变化的条件下 ,与系统所存储的参考目标通常都不会一致 ,从而导致相关识别SNR劣化。特别对于多目标识别与不同类目标的区分 ,常规的相关门限判决方法会造成很大的误识别 ,大大影响了ATR系统的识别可靠性。本文采用人工神经网络 (ANN)与模糊逻辑技术 ,对相关信号与噪声进行实时数字后处理 ,通过对信号与噪声强度分布等高线而不仅仅是强度的识别 ,大大提高了ATR系统的识别可靠性 ,改善了识别效率。

面向数字孪生的变电站三维场景自动目标识别

为提高自动目标识别的准确性,发挥自动目标识别对变电站运维效果的促进作用,提出面向数字孪生的变电站三维场景自动目标识别方法。构建变电站三维场景自动目标识别模型;利用模型架构的感知模块采集变电站实时状态数据,并采用通信模块将状态数据传输到数字孪生模块,该模块依据接收到的数据信息,通过知识图谱构建的知识库和服务模块的虚实数据处理单元,实现变电站信息的深度融合和全景映射;使用NURBS(non-uniform rational b-splines)曲面重构方法,创建变电站三维场景模型。前视自动目标识别单元在变电站三维场景模型中依据知识库,采用前视模板匹配技术实现对单一目标和多目标的准确识别。实验结果表明:该模型在简单和复杂场景下的变电站三维建模效果均较优异,在阴天和雾天仍能准确识别出变电站中的全部目标。

红外目标自动识别(ATR)算法性能评估的方法研究

本文对红外自动目标识别(ATR)算法性能评估的发展进行了系统的梳理,介绍了ATR算法性能评估过程中必不可少的工作条件限制以及性能指标的选取,并总结了目前ATR算法性能评估中经常采用的几种方法。

自动目标识别器(ATR)的发展现状及应用分析

自动目标识别器（ATR）能显著提高未来导弹系统的性能、增强导弹、飞机和智能子弹弹药对付正在发展的威胁的能力并提高其成本效能,是提高武器系统效率的关键因素。本文评述了ATR技术的发展现状,重点放在ATR算法和实现方法方面;另外还对ATR的潜在应用做了简要分析,指出了改进系统性能所需的新技术。

SAR图象自动目标识别研究

目前,SAR已经成为一种不可或缺的对地观测和军事侦察手段.面对不断增长的SAR图象数据收集能力,如何对这些图象进行自动或半自动快速、准确地解译已经越来越引起人们的关注和重视.自动目标识别(ATR)是自动或半自动SAR图象解译研究的一个重要方面.SAR ATR过程可概述为:从观测得到的SAR图象中,找到感兴趣的区域(ROI),并计算出每个ROI的种类.为此,介绍了SAR ATR的含义及其一般流程,对SAR ATR系统按照它所采用的分类方法进行了归纳分类,分析了SAR ATR的难点,介绍了国内外SAR ATR的研究现状和发展趋势.

大比例地形图中房屋目标的自动识别

城市GIS发展迅速，各种大比例地形图是其基础数据．流行的地图数据数字化方法效率很低．一定程度上已经成为城市GIS发展的障碍．扫描输入技术有望解决这个问题．扫描输入技术的核心是地图符号的自动识别．而房屋目标在城镇地区大比例尺地形图中占有极大的比重，但现有大多数识别方法采用的都是先分割后识别的策略，使得分割难以充分利用目标符号的有关知识约束．本文提出并实现了大比例尺地形图中房屋目标自动识别的分割识别一体化方法．