红外成像导引头对隐身飞机探测性能提升途径分析

隐身飞机的出现对现有雷达和红外制导空空导弹的目标探测能力都提出了挑战。由于隐身飞机对雷达隐身的效果优于红外,相对而言,红外制导空空导弹具有反隐身的优势。但红外导引头仍需采取一定的措施以提高其对隐身目标的探测识别能力。本文针对红外成像导引头探测隐身目标能力提升需求,首先梳理了隐身飞机的红外辐射特征,之后根据红外成像导引头探测性能的影响因素,提出了采用双色/多波段成像探测、优化系统工作参数设计、提高成像质量和场景自适应性、采用低信杂比目标检测截获等技术以提高系统对隐身飞机的探测识别能力。

基于改进YOLOv8的遥感图像飞机目标检测研究

为解决遥感图像飞机目标检测时易出现检测精度低与漏检误检等问题,提出了一种基于YOLOv8算法的遥感图像飞机目标检测改进算法。首先,将坐标注意力机制模块嵌入卷积模块中,使其能提取复杂背景下的飞机小目标;然后,优化了检测头,去除了大的目标检测头,在提升小目标检测能力的同时减少算法的计算量;最后,使用WIoU作为改进的损失函数,以提高检测精度。实验表明,改进的YOLOv8算法能够有效提高飞机检测精度,可适用于遥感图像的飞机目标检测。

SAR图像飞机目标智能检测识别技术研究进展与展望

合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。

基于深度迁移学习的复杂机场场景飞机目标检测方法

提出了一种改进的深度学习模型,旨在解决检测问题。首先基于迁移学习,微调预训练模型,提高了模型在有限的飞机数据集中的特征提取能力。其次,融入调整模块以增加深层特征图的感受野,提升模型的鲁棒性。引入特征金字塔网络,融合不同尺度的特征信息,进一步增强多尺度特征提取能力。最后,优化了检测头,融合轻量化的分类和回归并行分支,平衡了目标检测的准确性和实时性。构建了易于拓展的Aeroplane数据集,并对所提方法进行了实验验证。结果表明,所提模型在单架飞机、相互遮挡的飞机和小飞机的检测中平均精度分别提高了4.9%、4.0%和4.4%。所提方法在不同环境下表现优于其他经典方法,包括各类遮挡和夜间、雾天等复杂场景,具有良好的场景鲁棒性。

改进YOLOv5的军事飞机检测算法

针对遥感图像中军事飞机目标检测存在的精度低、漏检和虚警率高等问题,提出了一种基于YOLOv5s的轻量化遥感图像军事飞机目标检测算法——YOLO-Military Aircraft Recognition(YOLO-MAR)。提出新的网络结构,完成多尺度感受野权重调整,重设计特征提取网络和特征融合网络,实现小目标特征权重增加,并进行轻量化处理;使用FPGM对重构后的模型进行剪枝,极大地降低了模型的参数量和体积;使用SIoU Loss作为模型的损失函数,使模型的收敛速度加快并提升检测的精度。结果表明,在公开军用飞机数据集MAR20上,YOLO-MAR相比于原YOLOv5s,模型体积降低至3.95 MB,缩小了71.5%,经过剪枝后的模型体积最小可缩减至0.2 MB,模型平均检测精度最高可达91.7%,提高了2.34%,并且在检测效果、模型体积、参数量和计算量等方面具有先进性,能够对军用飞机目标进行高质量实时检测。

基于距离向BCRLB的加权融合目标跟踪

推导了目标跟踪距离向贝叶斯克拉美罗下界(BCRLB)的表达式,将距离向BCRLB作为目标跟踪性能的量化指标。针对双机目标跟踪场景,采用交互多模型卡尔曼滤波,提出了基于距离向贝叶斯克拉美罗下界的加权融合算法。仿真实验表明,该算法的目标跟踪航迹与真实航迹贴合较好,跟踪过程中均方根误差能快速收敛到一个稳定的值,相比基于信噪比加权融合的目标跟踪算法,该算法的目标跟踪精度更高。

基于Faster R-CNN的轻量化遥感图像军用飞机检测模型

遥感图像军用飞机目标检测对侦察预警和情报分析等领域具有重要意义。针对该任务中图像背景复杂、目标尺度变化大和分布密集等挑战,提出了一种基于Faster R-CNN的轻量化检测模型。该模型使用残差拆分注意力网络来捕获目标区域特征的全局上下文信息以提升模型的表征能力;利用可变形卷积来动态学习目标区域的形变特征,适应不同尺度和形状的目标;采用对比实验的方法精简骨干网络,降低过深的骨干网络与过低的采样率对于小目标检测的影响,提高模型的识别速度。在目标候选框筛选阶段,引入Soft NMS算法,根据置信度降序排名去除重叠度高的候选框,降低密集分布目标的漏检率。实验结果表明,提出的Faster R-CNN模型在参数量为23.844 MB的情况下,mAP0.5-0.95达到了77.1%,检测速度达到了43.7帧/秒,相比于多个主流模型具有较好的综合性能。

基于深度学习的智能化无人机视觉系统设计

针对无人机飞行高度高、目标尺度变化大、目标存在密集遮挡等问题,本文将对基于深度学习的无人机目标探测与识别以及视觉定位进行深入探讨,并设计出一套无人机目标探测与定位系统。研究选用Yolov5深度学习网络模型进行目标检测,基于Darknet深度学习框架完成端到端的训练预测,最后利用AprilTag视觉基准库完成无人机自身空间位置的辅助定位。测试结果表明,Yolov5模型的参数量只有5.3,准确率为97.41%,召回率为90.73%,mAP为83.2。AprilTag辅助定位的拟合精度达95%以上。研究设计的基于深度学习的智能化无人机视觉系统不仅具有实际的工程价值,更具有重要的社会意义。

改进无锚点的彩色遥感图像任意方向飞机目标检测算法

针对彩色遥感图像上飞机目标体积小、分布密集、背景复杂导致的检测精度低问题,提出了一种改进无锚点的彩色遥感图像任意方向飞机目标检测算法。采用BBAVectors为基准模型,以ResNet50为主干网进行特征提取,在特征金字塔网络FPN后增加一条自上而下的路径扩展网络PANet模块,缩短信息路径并用低层级准确位置信息增强特征金字塔。其次,引入注意力机制CBAM模块,通过抑制噪声和突出目标特征,实现复杂环境下的飞机目标检测精度的提升。在DOTA数据集上分别进行消融实验和对比实验,并使用DOTA_devkit对数据集分别进行0.5以及1倍比例的裁切,提高模型的检测精度。改进后的模型在彩色遥感图像测试数据集上的检测精度达到了90.35%。相较于原模型,检测精度提升了0.82%。实验结果表明,该方法在彩色遥感图像中的飞机检测任务中具有更好的检测效果。

一种空基雷达高速微弱机动目标信号相参积累方法

通过分析空基雷达对空目标检测时的简化运动模型,提出了一种基于时频反转互相关的方法来同时校正奇数次运动项带来的距离徙动和偶数次运动项带来的多普勒徙动。对于急动度较大的三阶运动模型,在此方法的基础上进一步提出了对称时移双重自相关处理的方法来估计得到急动度信息,通过其构建补偿函数来消除急动度带来的多普勒扩散。该方法无需进行参数搜索,计算量较小,可以适用高阶运动模型,实验验证积累效果较好。算法具有较好的工程应用前景,可推广应用到其他高速飞行器低可检测性场景下雷达回波信号的检测。

基于改进YOLOv5s算法的遥感图像飞机检测

针对遥感飞机图像中存在背景复杂、密集小目标及目标遮挡等导致飞机检测精度不高的问题,提出一种基于改进YOLOv5s的遥感图像飞机检测算法。采用稠密连接增强特征传播与特征重用,减轻训练过程中的梯度消失问题;引入注意力机制进行自适应特征细化,提升密集小飞机目标的检测性能;改进损失函数增强目标被遮挡或多目标重叠情况下的检测效果。实验结果表明,改进后的算法能显著提高遥感图像飞机检测的精度,具有较强的实用性与适用性。

基于MVT-CTRFBs-YOLOv4的遥感飞机检测研究

针对目前遥感图像检测算法存在实时性差、精度低、召回率低的问题,提出了一种基于移动视觉Transformer(Mobile Vision Transformer,MVT)和语境Transformer感受野模块(Contextual Transformer Receptive Field Blocks,CTRFBs)的改进YOLOv4(You Only Look Once version4)遥感飞机检测算法。首先,为了降低模型参数量,采用轻量级主干网络MVT替换原始CSPDarknet53(Cross Stage Partial Darknet53)主干网络进行特征提取,从而提高检测速度。其次,为了减少小目标丢失问题,引入CTRFBs代替原YOLOv4的空间金字塔池化(Spatial Pyramid Pooling,SPP)结构增大浅层特征层感受野以提升召回率。最后,在原始YOLOv4的路径聚合网络(Path Aggregation Network,PANet)中引入多个SE(Squeeze-and-Excitation)注意力模块,加强小目标特征提取从而提高检测精度。在RSOD和UCAS_AOD数据集上的实验表明,相比其他改进YOLOv4算法,改进模型的检测精度达到94.65%,召回率达到91.55%,模型大小仅为25.95 MB。该算法不仅实现了网络结构的轻量化,而且明显提高了遥感飞机的检测效果。

基于改进YOLOv4的大范围遥感影像飞机目标检测

对遥感影像中的军事目标进行检测识别具有重要的研究价值。提出了一种基于改进YOLOv4算法的大范围遥感影像飞机目标检测方法。先对YOLOv4算法框架进行改进,得到BP-YOLOv4,从而满足批量检测要求;将待检测影像按照文中提出的COCS策略进行裁切,得到切片序列;对影像切片进行批量化目标检测,并将检测结果整合;最后基于文中设计的bbox-DR算法对检测结果进行去重,并通过预设条件进一步精化检测结果。实验结果表明,所提方法在大范围遥感影像飞机目标检测中效果良好。

一种改进型无人靶机舵系统自动检测系统

针对现有无人靶机舵系统检测方法繁琐耗时的实际情况,文章提出一种基于单片机电路全面自动检测舵系统的方法,可接入无人靶机飞控系统和测控系统,进行检测报表的生成。该系统可全面取代无人靶机生产调试过程中的人工检测方法,取消地面舵系统人工检测的时间和工作量,从而提升无人靶机生产调试和保障使用的自动化水平和准确性。

复杂场景中航天器靶标的快速识别

基于靶标的几何特征提出了一种快速识别算法来解决目前航天器靶标识别存在的问题。设计了一款带有线段与圆环图案的合作靶标。利用高斯滤波去除图像中的噪声,运用Canny检测算子得到边缘图像,并跟踪得到单像素边缘序列。然后,通过判断非共线四点是否共圆排除大部分不可能构成圆的边缘,利用同一圆周的两段子弧对应相同圆心和半径的几何特征实现圆检测。最后根据靶标圆与线段的几何关系排除干扰,实现靶标的准确识别。实验结果表明,该靶标识别算法对噪声、光照、旋转等不敏感,能够在多种复杂场景中快速、准确地识别靶标,处理时间小于125ms,满足实时位姿测量8帧的需要。目前,该算法已经成功应用于工程样机。

基于矩阵信息几何的飞机尾流目标检测方法

矩阵信息几何在雷达信号处理和目标检测中的应用是一个正在引起关注的研究方向。飞机尾流回波经过傅里叶变换后,其功率谱是展宽的,传统动目标检测(MTD)方法未能对展宽的功率谱进行有效积累。针对飞机尾流目标检测问题,基于矩阵信息几何理论,该文提出了一种矩阵恒虚警率(CFAR)检测方法,该方法中观测数据协方差矩阵构成一个矩阵流形,类比CFAR检测的思想,利用检测单元协方差矩阵与参考单元协方差矩阵均值间定义的距离作为检测统计量。最后利用噪声中仿真的尾流回波数据,分析了黎曼均值的迭代估计性能、尾流目标协方差矩阵与噪声协方差矩阵的测地线距离随信噪比的变化,比较了常规MTD检测方法和矩阵CFAR检测方法的检测性能。

基于飞行器图像的目标跟踪方法研究

提出了一种利用飞行器图像进行目标跟踪的方法 ,建立了飞行器图像跟踪系统。该系统利用一种云台控制算法搜索飞行器的图像 ,通过对飞行器图像的边缘检测、图像中心点提取等处理 ,实现了飞行器图像定位。理论计算和实际应用表明 。

远程空空导弹攻防成功概率研究

攻防成功概率是衡量远程空空导弹武器系统作战效能的关键性指标。在研究被动/主动双模导引头远程空空导弹末制导截获概率模型和载机生存概率模型的基础上,建立了攻防成功概率的计算模型,并以F-16战斗机为打击目标进行了验证,进而根据算例结果分析了诸因素对攻防成功概率的影响,为远程空空导弹的作战效能评估提供了有益的参考。

基于空间线状分布模型的飞机尾流跟踪算法

飞机尾流的雷达检测和跟踪技术是航空安全等领域的重要研究课题。通常低门限检测会改善微弱尾流的检测性能,但高的虚警概率容易导致后续跟踪器失效。为了估计真实尾流航迹,提出基于空间线状分布模型的飞机尾流跟踪算法。首先,把整个尾流看作共同运动的线状目标,得到了量测似然函数与中心、倾角、长度等状态参数的关系表达式,克服了尾流量测数变化及密集多回波环境下进行数据关联的难题。然后,利用粒子滤波器估计了尾流的状态参数。仿真分析表明,该方法能在低门限检测条件下高精度地估计出尾流的状态参数。论文提出的跟踪算法对机场安全和空防系统中尾流回波识别具有理论指导意义。

基于视频的装甲车和飞机检测跟踪及轨迹预测算法

针对当前视频目标跟踪算法跟踪多目标容易跟丢的问题,以视频中的装甲车、飞机为研究对象,研究一种改进跟踪学习检测(TLD)的视频多目标检测跟踪算法。对于跟丢的目标,利用Kalman滤波算法的预测功能跟踪视频中典型目标的轨迹,并采用Kalman滤波算法跟踪的轨迹来弥补TLD算法丢失的部分,从而获得视频中典型目标的完整轨迹,以提高视频多目标跟踪的准确率。由于现有轨迹预测算法存在准确性较差的局限性,提出一种基于社交长短时记忆(Social-LSTM)网络的视频典型目标轨迹预测算法,将上下文环境信息和多个目标轨迹之间的相互影响关系融入Social-LSTM网络,预测待检测典型目标的轨迹序列。仿真实验结果表明,所提轨迹预测算法优于传统的LSTM算法、隐马尔可夫模型算法以及混合高斯模型算法,有利于提高视频典型目标轨迹预测的准确率。