梁文哲 馮陽凱 王 銳 周 超 蔡 炯

（1.北京理工大學(xué)信息與電子學(xué)院，北京 100081；2.上海衛(wèi)星工程研究所，上海 200240）

1 引言

大氣中存在著種類繁多的昆蟲，其中多數(shù)的遷飛性昆蟲都喜歡在夜間遷飛，且飛行高度高達(dá)甚至超過1 千米，遠(yuǎn)遠(yuǎn)超出了人的眼睛可觀測到的范圍［1］。昆蟲遷飛每年給全球農(nóng)業(yè)帶來嚴(yán)重危害，以我國為例，每年水稻、小麥、玉米等農(nóng)作物的重大害蟲遠(yuǎn)距離遷飛造成蟲害的土地面積達(dá)到20億畝次，使用的農(nóng)藥達(dá)到40 萬噸，糧棉損失達(dá)到400 億斤。如果我們能夠掌握不同種類昆蟲的遷飛規(guī)律，就可以提前采取預(yù)警措施，降低對農(nóng)業(yè)作物的危害，進(jìn)一步還可研究昆蟲對于地球生態(tài)和人類生存的影響。

雷達(dá)是監(jiān)測昆蟲遷飛最有效的手段，它的優(yōu)勢在于可以全天時(shí)、全天候、遠(yuǎn)距離地對昆蟲遷飛進(jìn)行定量監(jiān)測。傳統(tǒng)的雷達(dá)目標(biāo)檢測方法常采用CFAR，通過鄰近參考單元的回波估計(jì)出雜波的幅值（功率），從而進(jìn)一步確定檢測門限。將采樣單元的回波幅值（功率）與門限比較，高于門限則認(rèn)為檢測到目標(biāo)，低于門限則認(rèn)為沒有目標(biāo)［2］。然而昆蟲目標(biāo)體積小，回波弱，極易受到雜波的干擾，當(dāng)SNR較低時(shí)，還會(huì)受到噪聲的干擾。為了排除地雜波影響，本團(tuán)隊(duì)研制的Ku 波段高分辨全極化昆蟲雷達(dá)采用垂直對天觀測模式，對飛越波束的昆蟲目標(biāo)進(jìn)行檢測，此時(shí)空場景回波幾乎無雜波，近似均勻高斯白噪聲背景。但當(dāng)昆蟲目標(biāo)距離雷達(dá)較遠(yuǎn)時(shí)，SNR 下降，此時(shí)CFAR 的檢測率下降。因此關(guān)鍵問題在于提高低SNR下昆蟲目標(biāo)的檢測率。

近年來，深度學(xué)習(xí)在圖像領(lǐng)域不斷蓬勃發(fā)展。2012 年，AlexNet 網(wǎng)絡(luò)在ImageNet 圖像分類大賽中取得的成績證明了卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）在圖像上具有更好的特征提取能力［3］。2014年，Girshick R首次將深度學(xué)習(xí)應(yīng)用于圖像中的目標(biāo)檢測領(lǐng)域，將CNN 網(wǎng)絡(luò)和候選框算法相結(jié)合提出了目標(biāo)檢測算法R-CNN［4］，相比傳統(tǒng)算法具有明顯的優(yōu)勢。之后，在R-CNN 算法的基礎(chǔ)上不斷改進(jìn)，提出了Fast R-CNN［5］、Faster R-CNN［6］、YOLOv1［7］、YOLOv2［8］、YOLOv3［9］等一系列圖像領(lǐng)域中的目標(biāo)檢測算法。而目前性能較好的YOLOv3算法同時(shí)兼顧檢測精度和速度，對于608×608 分辨率的圖片，在COCO 數(shù)據(jù)集上檢測精度達(dá)到了57.9%，檢測速度達(dá)到了20 fps，滿足實(shí)時(shí)檢測需求。

越來越多的研究人員將圖像領(lǐng)域中的深度學(xué)習(xí)成果應(yīng)用于雷達(dá)領(lǐng)域，包括高分辨距離像（High Resolution Range Profile，HRRP）識(shí)別，合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）、逆合成孔徑雷達(dá)（Inverse Synthetic Aperture Radar，ISAR）、遙感等圖像的目標(biāo)檢測。

在HRRP識(shí)別領(lǐng)域，相比于傳統(tǒng)方法，深度學(xué)習(xí)算法可以自動(dòng)提取目標(biāo)HRRP 數(shù)據(jù)有效的深層特征，以進(jìn)行不同目標(biāo)的分類和識(shí)別。Karabayir O 等人建立了6 艘軍艦和4 艘民用艦船的模型，采用經(jīng)典的CNN網(wǎng)絡(luò)對艦船目標(biāo)進(jìn)行分類，CNN網(wǎng)絡(luò)包括4個(gè)卷積層、2個(gè)最大池化層、1個(gè)Relu激活層和1個(gè)全連接層，在自建的HRRP 數(shù)據(jù)集上平均識(shí)別率為93.90%［10］。山東大學(xué)的殷和義等人基于微波暗室中4 種飛機(jī)縮比模型的HRRP 數(shù)據(jù)，分析了不同分類器的識(shí)別效果，結(jié)果表明，與BP 神經(jīng)網(wǎng)絡(luò)、SVM分類器和KNN分類器相比，CNN分類法識(shí)別率更高但耗時(shí)更長［11］。北京航空航天大學(xué)的張耀天等人融合了CNN 和長短期記憶（Long Short Term Memory，LSTM）網(wǎng)絡(luò)結(jié)構(gòu)，利用多層CNN 對HRRP 信號(hào)時(shí)頻特征提取的一維特征與原始HRRP 數(shù)據(jù)進(jìn)行拼接，作為LSTM 網(wǎng)絡(luò)的輸入進(jìn)行識(shí)別。數(shù)據(jù)集來源于錐柱體、柱體等4 種簡易目標(biāo)z在X 波段的仿真計(jì)算［12］。阿爾托大學(xué)的Lunden J 和Koivunen V 利用CNN 模型對多基地雷達(dá)的HRRP 的目標(biāo)進(jìn)行分類，其數(shù)據(jù)集來源于對多個(gè)飛機(jī)模型的仿真計(jì)算，并添加白噪聲以擴(kuò)充數(shù)據(jù)集。其利用不同角度的HRRP數(shù)據(jù)模擬不同基地雷達(dá)的回波信號(hào)，利用CNN 對不同雷達(dá)HRRP 的識(shí)別結(jié)果進(jìn)行融合，將輸出的目標(biāo)概率最大值與所設(shè)閾值進(jìn)行比較，以判斷目標(biāo)是已知還是未知。實(shí)驗(yàn)結(jié)果表明，該方法在低信噪比下有較好的識(shí)別結(jié)果［13］。

在SAR 和ISAR 領(lǐng)域，圖像中的目標(biāo)檢測算法得到廣泛應(yīng)用。胡昌華等人針對合成孔徑雷達(dá)圖像艦船目標(biāo)背景復(fù)雜的特點(diǎn)，提出一種基于改進(jìn)的YOLOv3的SAR圖像艦船小目標(biāo)檢測算法［14］。周龍等人針對傳統(tǒng)雷達(dá)圖像目標(biāo)檢測方法在海雜波及多種干擾物組成的復(fù)雜背景下目標(biāo)分類識(shí)別率低、虛警率高的問題，提出一種基于YOLOv3 的檢測算法［15］針對傳統(tǒng)基于CFAR 的SAR 目標(biāo)檢測方法極易受背景干擾等問題，夏勇等人提出了一種基于Faster R-CNN 網(wǎng)絡(luò)的沙漠背景下SAR 目標(biāo)檢測算法［16］。

然而現(xiàn)有的基于深度學(xué)習(xí)的目標(biāo)檢測識(shí)別算法針對的都是艦船、車輛、建筑等大型擴(kuò)展目標(biāo)，而點(diǎn)目標(biāo)如昆蟲等，體積小、速度慢，在距離維和多普勒維擴(kuò)展性弱，在HRRP 上或者在距離多普勒域（Range Doppler，RD）上特征較少，無法采用深度學(xué)習(xí)的方法進(jìn)行檢測和識(shí)別。

針對上述問題，本文研究了低SNR 下基于YOLOv3的昆蟲目標(biāo)檢測算法。算法將昆蟲目標(biāo)在RD域的回波結(jié)果通過短時(shí)傅里葉變換（Short Time Fourier Transform，STFT）變到時(shí)頻域，豐富目標(biāo)特征，同時(shí)還采用了目標(biāo)-虛警二元訓(xùn)練策略以及檢測后置信度篩選策略來降低算法的虛警率。結(jié)果表明，所提算法在相同虛警率條件下優(yōu)于傳統(tǒng)的CACFAR 算法。本文剩余內(nèi)容的結(jié)構(gòu)安排如下：第2 節(jié)介紹了基于YOLOv3 的昆蟲目標(biāo)檢測算法，第3 節(jié)給出了仿真結(jié)果，第4 節(jié)給出了實(shí)測數(shù)據(jù)驗(yàn)證結(jié)果，第5節(jié)給出了結(jié)論。

2 基于YOLOv3的昆蟲目標(biāo)檢測算法

雷達(dá)垂直對天觀測昆蟲等生物目標(biāo)時(shí)，雜波對目標(biāo)檢測的干擾可以忽略不計(jì)，但當(dāng)昆蟲距離較遠(yuǎn)時(shí)，SNR下降，傳統(tǒng)雷達(dá)檢測算法的檢測率下降。同時(shí)由于昆蟲體積小、速度慢，在距離維和多普勒維的擴(kuò)展性弱，特征少，傳統(tǒng)的基于HRRP 識(shí)別、SAR 圖像檢測的思路并不適用。針對上述問題，算法中采用圖像特征對目標(biāo)進(jìn)行檢測，不同于傳統(tǒng)的幅值門限檢測，可利用信息更多；同時(shí)算法不在HRRP或者RD 域上對目標(biāo)進(jìn)行檢測，而是通過STFT 變換到時(shí)頻域，進(jìn)一步豐富昆蟲目標(biāo)特征，提高昆蟲的檢測率；算法選擇目前性能較為均衡的YOLOv3 網(wǎng)絡(luò)來檢測昆蟲目標(biāo)，滿足較高的檢測精度和實(shí)時(shí)性。

算法整體流程如圖1所示。

數(shù)據(jù)預(yù)處理：原始雷達(dá)回波是一維向量，需要通過脈沖壓縮、相干積累、短時(shí)傅里葉變換等預(yù)處理手段轉(zhuǎn)換成目標(biāo)特征明顯的二維圖片，從而滿足YOLOv3的輸入要求。

YOLOv3 訓(xùn)練：在仿真數(shù)據(jù)經(jīng)過預(yù)處理后生成的訓(xùn)練集和測試集上訓(xùn)練YOLOv3 網(wǎng)絡(luò)，為了降低算法的虛警率，本文提出了目標(biāo)-虛警二元訓(xùn)練策略，即共兩次訓(xùn)練：第一次訓(xùn)練只有一類目標(biāo)，即昆蟲；第二次訓(xùn)練有兩類目標(biāo)，昆蟲和虛警。

置信度篩選：實(shí)際檢測中，將原始回波經(jīng)過預(yù)處理輸入到訓(xùn)練好的YOLOv3網(wǎng)絡(luò)中得到初步檢測結(jié)果，根據(jù)網(wǎng)絡(luò)檢測出目標(biāo)的置信度進(jìn)行篩選，置信度大于設(shè)定閾值則最終認(rèn)為是目標(biāo)，置信度小于閾值，則最終認(rèn)為是虛警。該策略可以進(jìn)一步降低算法的虛警率。如圖2 所示，point_target 后面的數(shù)字即為目標(biāo)的置信度。

2.1 數(shù)據(jù)預(yù)處理

雷達(dá)原始回波是一維向量，不能用于YOLOv3網(wǎng)絡(luò)的訓(xùn)練和檢測，因此我們需要對數(shù)據(jù)進(jìn)行預(yù)處理。傳統(tǒng)雷達(dá)目標(biāo)檢測前需要將回波進(jìn)行脈沖壓縮和相干積累變換到二維的距離多普勒域上，然而昆蟲目標(biāo)由于體積小，速度慢，導(dǎo)致距離維、多普勒維擴(kuò)展性差。其在RD 平面上主要呈現(xiàn)為一簇亮點(diǎn)，形狀小，特征少，不利于網(wǎng)絡(luò)進(jìn)行訓(xùn)練和檢測。因此我們通過短時(shí)傅里葉變換（Short Time Fourier Transform，STFT）將目標(biāo)從RD 域變換到時(shí)頻域，此時(shí)理想的昆蟲目標(biāo)形狀為一條豎線，特征相比RD域更加明顯，便于網(wǎng)絡(luò)訓(xùn)練和檢測。整體的預(yù)處理流程如圖3所示。

信號(hào)截短：脈沖壓縮和相干積累后的RD 平面在距離維上點(diǎn)數(shù)過多，如果直接對整個(gè)距離維的信號(hào)進(jìn)行STFT，則處理后生成的圖片過大，難以直接放入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；同時(shí)在距離維上，點(diǎn)數(shù)過多時(shí)，目標(biāo)在RD 圖以及變換后的時(shí)頻圖上特征不明顯，不利于網(wǎng)絡(luò)檢測。綜合考慮需要在距離維上進(jìn)行信號(hào)的等長度截?cái)唷?/p>

時(shí)頻分析：選取目標(biāo)所在多普勒通道，對若干個(gè)截短后的距離維上的信號(hào)進(jìn)行STFT 得到目標(biāo)的時(shí)頻圖。

幅值標(biāo)準(zhǔn)化：將STFT 后的幅值矩陣歸一化到0～255的范圍內(nèi)，等價(jià)于圖像的灰度化。

按照上述數(shù)據(jù)預(yù)處理流程，每一步仿真生成的結(jié)果如圖4 所示，其中距離維點(diǎn)數(shù)為8192，相干積累的脈沖個(gè)數(shù)為512。

由圖4可以看出，經(jīng)過數(shù)據(jù)預(yù)處理，目標(biāo)特征明顯增加，在滿足YOLOv3輸入要求的同時(shí)，更能提高算法的檢測性能。

2.2 YOLOv3框架

YOLOv3 算法由Redmon 等人［8］于2018 年提出，算法中采用了全新設(shè)計(jì)的Darknet-53殘差網(wǎng)絡(luò)對輸入圖像進(jìn)行特征提取，同時(shí)采用多尺度特征檢測策略，提高了對不同尺寸目標(biāo)的檢測精度，特別是針對小目標(biāo)；同時(shí)也減少了模型的運(yùn)算量，提高了檢測速度?？傮w而言，YOLOv3 是目前性能較好的圖像目標(biāo)檢測網(wǎng)絡(luò)之一。下面對該算法的網(wǎng)絡(luò)框架進(jìn)行簡要介紹：

算法的檢測流程如圖5所示。

首先輸入圖像通過網(wǎng)絡(luò)Darknet-53 提取特征，獲取圖像目標(biāo)特征圖；然后采用多尺度特征目標(biāo)檢測策略，通過三次上采樣和特征圖拼接，分別在三個(gè)不同尺度的特征圖上對目標(biāo)的位置信息進(jìn)行回歸預(yù)測，通過Sigmiod 函數(shù)對置信度分?jǐn)?shù)進(jìn)行預(yù)測；最后通過非極大值抑制對輸出進(jìn)行濾波，完成目標(biāo)檢測。

2.3 算法訓(xùn)練

為了降低算法的虛警率，在網(wǎng)絡(luò)的訓(xùn)練階段，本文提出了虛警-目標(biāo)二元訓(xùn)練策略，算法訓(xùn)練流程如圖6所示。

其中：

數(shù)據(jù)集生成：根據(jù)圖3 中的流程生成網(wǎng)絡(luò)訓(xùn)練需要的訓(xùn)練集、測試集以及統(tǒng)計(jì)網(wǎng)絡(luò)檢測性能的檢測集。

網(wǎng)絡(luò)訓(xùn)練和檢測：對YOLOv3 網(wǎng)絡(luò)進(jìn)行第一次訓(xùn)練，此時(shí)只有一類目標(biāo)，即昆蟲。然后在檢測集上統(tǒng)計(jì)網(wǎng)絡(luò)檢測性能。

虛警篩選：篩選網(wǎng)絡(luò)在檢測集上檢測出的虛警樣本。

生成虛警目標(biāo)二元訓(xùn)練集：將虛警樣本加入到第一次訓(xùn)練的訓(xùn)練集和測試集中。

網(wǎng)絡(luò)二次訓(xùn)練：對YOLOv3 網(wǎng)絡(luò)進(jìn)行第二次訓(xùn)練，此時(shí)有兩類目標(biāo)，即昆蟲和虛警。

網(wǎng)絡(luò)檢測性能統(tǒng)計(jì)：在檢測集上再次統(tǒng)計(jì)網(wǎng)絡(luò)的檢測性能。

3 仿真驗(yàn)證

3.1 數(shù)據(jù)集生成

由于實(shí)測昆蟲數(shù)據(jù)標(biāo)注不規(guī)范、數(shù)量較少、難以獲取等問題，本文算法訓(xùn)練和測試所用的數(shù)據(jù)集由仿真生成，仿真的脈沖雷達(dá)系統(tǒng)參數(shù)設(shè)置如表1所示，與團(tuán)隊(duì)的Ku高分辨全極化昆蟲雷達(dá)保持一致。算法的有效性由仿真數(shù)據(jù)和實(shí)測數(shù)據(jù)共同驗(yàn)證。

表1 雷達(dá)系統(tǒng)參數(shù)設(shè)置Tab.1 Radar system parameter settings

STFT參數(shù)如表2所示。

表2 STFT參數(shù)設(shè)置Tab.2 STFT parameter settings

為了使算法在不同SNR 下都具有較好的檢測性能，數(shù)據(jù)集樣本生成時(shí)覆蓋了一定的SNR 范圍。按照表1和表2的仿真參數(shù)，根據(jù)圖3的預(yù)處理流程生成用于網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集參數(shù)如表3所示。

表3 數(shù)據(jù)集參數(shù)設(shè)置Tab.3 Dataset parameter settings

同時(shí)為了統(tǒng)計(jì)網(wǎng)絡(luò)的檢測性能（檢測率和虛警率），根據(jù)圖3的預(yù)處理流程生成的檢測集的參數(shù)如表4所示。

表4 檢測集參數(shù)設(shè)置Tab.4 Detection dataset parameter settings

3.2 仿真結(jié)果

本小節(jié)給出在表3 和表4 的數(shù)據(jù)集上，根據(jù)圖6中流程訓(xùn)練后的網(wǎng)絡(luò)的檢測性能，其中不同SNR 下的網(wǎng)絡(luò)的檢測率和虛警率統(tǒng)計(jì)方法如下：

計(jì)算虛警率時(shí)，由于每張圖片大小是512×512，所以距離維點(diǎn)數(shù)取512。

在置信度篩選步驟中，閾值設(shè)為0.7，算法的檢測性能如下表5所示。

表5 算法檢測性能Tab.5 Algorithm detection performance

由表5 可以看出，訓(xùn)練后的網(wǎng)絡(luò)不具有恒虛警特性，其虛警率在4.56 ×10-6～3.26 ×10-7范圍內(nèi)變化，但總體趨勢滿足信噪比越高，虛警率越小。下面給出該算法和CA-CFAR 算法的檢測性能比較結(jié)果，其中CA-CFAR 的參考單元個(gè)數(shù)設(shè)為40，鑒于網(wǎng)絡(luò)不是恒虛警，為了更合理地比較其與CA-CFAR的檢測率，控制不同情形下CFAR 虛警率與網(wǎng)絡(luò)保持一致。比較結(jié)果如圖7所示。

其中在8～14 dB 的SNR 下，兩種算法的檢測率如表6所示。

表6 低SNR下算法檢測率對比Tab.6 Comparsion of algorithm detection rate under low SNR

由圖7 和表6 可以看出，在仿真數(shù)據(jù)集上，本文所提的基于YOLOv3 網(wǎng)絡(luò)的檢測算法在8～14 dB 的低SNR 下，檢測性能優(yōu)于傳統(tǒng)的CA-CFAR算法。

4 實(shí)測數(shù)據(jù)驗(yàn)證

實(shí)測昆蟲數(shù)據(jù)由團(tuán)隊(duì)研制的Ku 波段高分辨全極化昆蟲雷達(dá)采集，采集場景如圖8 所示。

可以看出，雷達(dá)垂直對天發(fā)射信號(hào)，采集飛過波束的昆蟲回波，此時(shí)雜波干擾可以忽略不計(jì)。對實(shí)測昆蟲數(shù)據(jù)分別用CFAR 算法和本文算法進(jìn)行處理，其中CFAR 的單邊參考單元個(gè)數(shù)設(shè)為40，單邊保護(hù)單元個(gè)數(shù)設(shè)為20，虛警率設(shè)為10-6，結(jié)果如圖9 所示。

可以看出CFAR 算法漏檢了兩個(gè)目標(biāo)，如下圖10所示。

其中漏檢目標(biāo)1 的SNR 為8.7 dB，此時(shí)CFAR算法不能檢測出目標(biāo)，對目標(biāo)進(jìn)行STFT 后，用本文算法的檢測結(jié)果如圖11所示。

漏檢目標(biāo)2 的SNR 為9.8 dB，此時(shí)CFAR 算法不能檢測出目標(biāo)，對目標(biāo)回波進(jìn)行STFT 后，用本文算法的檢測結(jié)果如圖12所示。

可以看出CFAR 算法漏檢的兩個(gè)低SNR 目標(biāo)，本文所提算法均可檢測出來。

兩種算法在處理一幀64 ×512 的實(shí)測數(shù)據(jù)所用時(shí)間如下表7所示。

表7 算法效率分析Tab.7 Algorithm efficiency analysis

綜上，實(shí)測數(shù)據(jù)處理結(jié)果進(jìn)一步說明，在低SNR 下，本文所提基于YOLOv3 的昆蟲目標(biāo)檢測算法檢測率高于CA-CFAR 算法，算法耗時(shí)略高于CACFAR，但仍在可接受范圍內(nèi)。

5 結(jié)論

低SNR下，昆蟲目標(biāo)回波弱，傳統(tǒng)CFAR算法檢測性能下降。同時(shí)昆蟲本身體積小、速度慢，距離、多普勒擴(kuò)展性差，在HRRP 和RD 域上的特征少，現(xiàn)有深度學(xué)習(xí)的研究成果難以直接應(yīng)用。針對上述問題，本文提出了基于YOLOv3 網(wǎng)絡(luò)的昆蟲目標(biāo)檢測算法，將目標(biāo)從距離多普勒域變換到時(shí)頻域，放大目標(biāo)特征，便于YOLOv3 網(wǎng)絡(luò)對目標(biāo)進(jìn)行識(shí)別和定位。同時(shí)提出了目標(biāo)-虛警二元訓(xùn)練策略和置信度篩選策略，進(jìn)一步降低了算法的虛警率。仿真數(shù)據(jù)和實(shí)測數(shù)據(jù)的處理結(jié)果均表明，本文所提算法在低信噪比下檢測性能優(yōu)于CA-CFAR 算法。目前本文所提算法的虛警率只能穩(wěn)定在一定范圍內(nèi)，后續(xù)將開展基于深度學(xué)習(xí)的恒虛警檢測算法研究。