田宗浩，郭佳暉，孫姍姍，申 倩

（陸軍炮兵防空兵學(xué)院高過載彈藥制導(dǎo)控制與信息感知實(shí)驗(yàn)室，合肥 230031）

0 引言

新型作戰(zhàn)條件下，戰(zhàn)機(jī)稍縱即逝，如何快速、準(zhǔn)確地確定戰(zhàn)場打擊目標(biāo)是可見光圖像制導(dǎo)彈的重要戰(zhàn)術(shù)指標(biāo)。由于彈載平臺(tái)應(yīng)用環(huán)境的特殊性，彈載攝像機(jī)成像與靜態(tài)攝像機(jī)成像質(zhì)量差別很大，空中運(yùn)動(dòng)成像導(dǎo)致目標(biāo)在圖像中尺度小、尺度多變，容易受周圍景物和大小目標(biāo)分布不均等干擾，并且圖像存在扭曲、虛化等形變，導(dǎo)致目標(biāo)檢測效果不佳，大大降低檢測精度，并且存在漏檢、誤檢，嚴(yán)重影響智能彈藥的自主決策能力。

彈載圖像目標(biāo)檢測是一種自動(dòng)目標(biāo)識(shí)別技術(shù)（automatic target recognition，ATR），屬于機(jī)器視覺領(lǐng)域，該領(lǐng)域從產(chǎn)生就一直受到學(xué)術(shù)界的高度重視。隨著深度學(xué)習(xí)理論在機(jī)器視覺領(lǐng)域卓越的性能表現(xiàn)，基于深度學(xué)習(xí)的目標(biāo)檢測算法逐漸替代傳統(tǒng)手工特征提取目標(biāo)檢測算法，其在不同應(yīng)用場景下取得較好的識(shí)別檢測效果，例如人臉識(shí)別、車道線檢測等。大量的研究文獻(xiàn)將基于深度學(xué)習(xí)的目標(biāo)檢測算法分為基于候選區(qū)域的目標(biāo)檢測（兩階段）和基于回歸的端到端目標(biāo)檢測算法（單階段），其中，單階段目標(biāo)檢測算法直接在圖像中多個(gè)位置上回歸出這個(gè)位置的目標(biāo)邊框以及目標(biāo)類別，在保證一定準(zhǔn)確率的前提下，速度得到極大提升。文獻(xiàn)［6］提出的Yolo（you only look once）算法通過對圖像的直接檢測確定目標(biāo)的邊界框和類別，檢測速度提高到45FPS，但其對緊鄰目標(biāo)和小目標(biāo)的檢測效果不佳。隨后，Yolo 系列算法通過BN 操作、殘差網(wǎng)絡(luò)特征融合等算法改進(jìn)，使得模型檢測精度和速度大幅度提升，并對小目標(biāo)的適應(yīng)性增強(qiáng)，如Yolo v2/v3、Tiny-Yolo、SlimYolo等。但是在高動(dòng)態(tài)、強(qiáng)對抗的精確制導(dǎo)彈藥領(lǐng)域，極少有人將人工智能技術(shù)應(yīng)用到彈載平臺(tái)，其根本原因在于彈載任務(wù)的特殊性對算法的檢測準(zhǔn)確率、實(shí)時(shí)性，以及特殊環(huán)境的適用性提出了較高的要求。為此，本文結(jié)合彈載圖像目標(biāo)特點(diǎn)和系統(tǒng)設(shè)計(jì)要求，選用當(dāng)前檢測速度和準(zhǔn)確率較高的單階段目標(biāo)識(shí)別檢測算法Yolo v3 為基線網(wǎng)絡(luò)，豐富訓(xùn)練數(shù)據(jù)集，改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，提高弱小目標(biāo)的檢測精度。

1 彈載圖像目標(biāo)檢測算法分析

1.1 彈載攝像機(jī)成像特點(diǎn)分析

圖1 為圖像制導(dǎo)彈工作過程，當(dāng)彈丸在距離目標(biāo)3 km～5 km 的位置時(shí)，彈載攝像機(jī)開始工作，通過在視場內(nèi)搜索目標(biāo)信息，引導(dǎo)彈丸命中目標(biāo)。因彈載攝像機(jī)距離目標(biāo)較遠(yuǎn)，且為高空成像，目標(biāo)初入視場尺度非常小，目標(biāo)在視場內(nèi)比例變換如圖2 所示。圖2 為彈載攝像機(jī)高空成像下的視場范圍，為簡化計(jì)算難度，將彈載攝像機(jī)俯視視角轉(zhuǎn)換為正面平視視角，不考慮彈丸落角造成的投影比例偏差。因此，彈載攝像機(jī)的視場范圍可以分解為長寬方向。則攝像機(jī)視場范圍和目標(biāo)在圖像中所占像素大小為：

圖1 圖像制導(dǎo)彈工作過程

圖2 彈載攝像機(jī)成像目標(biāo)像素計(jì)算示意圖

圖3 視場幅長幅寬示意圖

式中，W 和H 為彈載攝像機(jī)成像視場的幅寬和幅長，α 和β 為鏡頭在長寬方向的視場角，f 為焦距，為像元大小，x 為目標(biāo)實(shí)際大小，Z 為占像素大小，L為彈目距離。假設(shè)目標(biāo)的長寬分別為W和H，則目標(biāo)在彈載攝像機(jī)視場內(nèi)的比例大小為h和w：

用式（1）和式（2）計(jì)算不同裝備在不同彈目距離時(shí)像素比例大小，假定攝像機(jī)的視場角α 和β 分別為20 °和18 °，像元大小為5.5 μm，則各裝備在不同彈目距離下目標(biāo)占視場比例和像素大小如表1 所示。

表1 不同裝備在不同彈目距離條件下成像像素比例

目前，眾多研究將弱小目標(biāo)定義為像素值小于32×32 的物體，從表1 可以分析出，陸戰(zhàn)場景下的武器裝備因自身尺寸本身較小，導(dǎo)致目標(biāo)在視場內(nèi)所占比例較小，并且背景和目標(biāo)分布不均，高度融合，這給識(shí)別檢測算法帶來較大的挑戰(zhàn)，不同作戰(zhàn)裝備高空成像示意圖如圖4 所示。

圖4 不同作戰(zhàn)裝備高空成像示意圖

圖4 中紅色方框?yàn)樾∧繕?biāo)裝備，特別對于第1幅圖像，目標(biāo)像素大小不超過10×10 個(gè)像素，包含的特征信息較少，很難判別裝備類型。雖然Yolo v3網(wǎng)絡(luò)結(jié)構(gòu)在傳統(tǒng)模型上有了很大改進(jìn)，對小目標(biāo)等難點(diǎn)問題有了一定的改善，但是對于復(fù)雜戰(zhàn)場條件下的目標(biāo)檢測仍存在目標(biāo)漏檢和誤檢情況，特別是對于大小目標(biāo)分布不均勻的情況。

1.2 Yolo v3 基礎(chǔ)框架

Yolo 系列算法是基于回歸的單階段卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測算法，直接對圖像中的目標(biāo)類別、位置等信息進(jìn)行檢測，節(jié)省特征提取過程中候選區(qū)域生成過程，其識(shí)別檢測速度得到質(zhì)的提升。隨著Yolo 系列算法網(wǎng)絡(luò)架構(gòu)不斷改進(jìn)，其檢測速度、識(shí)別精度以及對不同場景的適應(yīng)性不斷提升，尤其Yolo v3 模型在應(yīng)對多尺度變化、弱小目標(biāo)識(shí)別場景下體現(xiàn)出優(yōu)越的性能，使其在工程應(yīng)用中被大量使用，如無人機(jī)目標(biāo)檢測、自動(dòng)駕駛等。

Yolo v3 模型由Darknet53 骨架網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)（neck）和預(yù)測網(wǎng)絡(luò)（prediction）組成，其識(shí)別檢測過程如圖5 所示。

圖5 Yolo v3 識(shí)別檢測過程示意圖

其中，骨架網(wǎng)絡(luò)Darknet53 在不同圖像粒度基礎(chǔ)上提取目標(biāo)特征，通過特征融合網(wǎng)絡(luò)將提取的特征進(jìn)行結(jié)合，提高對不同尺度目標(biāo)的適應(yīng)能力，預(yù)測網(wǎng)絡(luò)則利用融合特征進(jìn)行分類、回歸，確定目標(biāo)的類別信息和位置。結(jié)合Yolo v3 官方代碼及模型可視化工具Netron 對模型計(jì)算架構(gòu)的可視化處理，總結(jié)分析Yolo v3 的網(wǎng)絡(luò)架構(gòu)如圖6 所示。

圖6 Yolo v3 網(wǎng)絡(luò)結(jié)構(gòu)

Yolo v3 是在Yolo v1/v2 的框架基礎(chǔ)上演變而來，它將Yolo v1 架構(gòu)中的池化層取消，通過卷積核的移動(dòng)步長達(dá)到縮小特征尺度的目的（圖6 中紅色方框），并且利用K-means 聚類算法對Yolov2 模型先驗(yàn)框（anchor boxes）最優(yōu)數(shù)量進(jìn)行優(yōu)化設(shè)計(jì)，提升模型的預(yù)測精度。另外，Yolo v3 采用更多的殘差單元加深網(wǎng)絡(luò)特征提取器（圖6 綠色單元），并采用多尺度特征圖（feature pyramid networks，F(xiàn)PN）結(jié)構(gòu)提取3 個(gè)尺度的圖像特征信息，通過多尺度檢測提升弱小目標(biāo)的檢測精度，獲得魯棒性更強(qiáng)的圖像特征，增強(qiáng)模型對不同尺度目標(biāo)的適應(yīng)性。

1.2.1 先驗(yàn)框（Anchor Boxes）

Yolo v3 預(yù)測過程借鑒Faster R-CNN 中Anchor Boxes 的設(shè)計(jì)理念，每個(gè)cell 預(yù)先設(shè)計(jì)多個(gè)與數(shù)據(jù)集中目標(biāo)對象寬度和高度類似的不同形狀和大小的先驗(yàn)框，并在訓(xùn)練過程中修正與ground truth 相匹配的anchor 位置偏移，通過非極大值抑制（non-maximum suppression，NMS）獲得目標(biāo)的檢測框，大大提升了目標(biāo)的定位精度，如圖7 所示。

圖7 anchor box 位置預(yù)測

Yolo v3 利用K-means 聚類算法對3 個(gè)預(yù)測分支的anchor 的尺寸進(jìn)行聚類分析，每個(gè)預(yù)測分支確定3 個(gè)anchor，其大尺度特征圖使用尺寸小的anchor，用來提高對圖像中小目標(biāo)特征的提取能力。小尺度特征圖使用尺寸大的anchor，提高對大目標(biāo)特征提取能力，使Yolo v3 網(wǎng)絡(luò)具有更強(qiáng)的多尺度特征提取能力。

1.3 FPN+多尺度預(yù)測

對于圖像特征而言，高層特征語義豐富，但分辨率較低，對紋理細(xì)節(jié)特征的感知性能較差；低層特征分辨率較高，更多的位置和細(xì)節(jié)信息包含在內(nèi)，但是語義表達(dá)能力較差，容易受噪聲影響。Yolo v3 網(wǎng)絡(luò)通過5 次降采樣操作提取不同尺度的圖像特征，并在后3 次降采樣后對目標(biāo)進(jìn)行預(yù)測，輸出3種尺度的特征圖13×13、26×26 和52×52。其中，3種尺度的特征提取對應(yīng)大、中、小3 種不同的感受野，以此預(yù)測不同尺度的目標(biāo)。另外，通過對第4 和第5 次降采樣得到的特征圖進(jìn)行上采樣，分別與各自前一層的圖像特征進(jìn)行融合，使得對小目標(biāo)位置的特征描述更加豐富，大大提升了對不同尺度目標(biāo)的適應(yīng)能力，如下頁圖8 所示。

從圖8 可以看出，圖8A ～圖8C 分別為第3、4和5 次降采樣后提取的特征圖，圖8E、圖8F 分別為兩次上采樣后圖像特征融合結(jié)果。從中可以看出，經(jīng)過FPN 特征融合后，圖像包含的高層和底層圖像特征更加豐富，對弱小目標(biāo)的特征提取更加明顯。

圖8 Yolo v3 特征圖提取結(jié)果分析

2 改進(jìn)算法

上文對彈載攝像機(jī)的成像特點(diǎn)進(jìn)行了分析，彈載圖像中的目標(biāo)尺度信息隨彈丸運(yùn)動(dòng)變化較大，并且由于彈載攝像機(jī)視場和目標(biāo)本身尺度較小，目標(biāo)在圖像中的比例較小。當(dāng)彈目距離1 km 時(shí)，10 m×3 m 的目標(biāo)也即31×10 個(gè)像素，受限于彈丸的制導(dǎo)能力（距離目標(biāo)1 km 時(shí)，彈丸約3 s～4 s 落地），很難在短時(shí)間內(nèi)針對識(shí)別的類別信息有選擇性地確定打擊目標(biāo)，改變彈丸的運(yùn)動(dòng)姿態(tài)。通過對大量裝備的目標(biāo)特征分析發(fā)現(xiàn)，當(dāng)彈載攝像機(jī)距離3 km成像條件下，目標(biāo)特征信息較少，對于不同的裝備，存在很大程度上的相似信息，如圖9 所示。

圖9 多目標(biāo)遠(yuǎn)距離成像

從圖9 可以看出，當(dāng)目標(biāo)特征較少時(shí)，不同裝備的紋理細(xì)節(jié)非常少，只有基本的輪廓信息。同時(shí)，結(jié)合圖像制導(dǎo)彈的作戰(zhàn)使用流程以及彈丸的毀傷效能特性，精確制導(dǎo)彈藥要能在視場中快速定位目標(biāo)位置，而對尺度特征相對較小的打擊目標(biāo)類別區(qū)分度要求不高，即坦克、裝甲車等目標(biāo)的重要性相同，能大概率命中目標(biāo)即可。因此，對于復(fù)雜作戰(zhàn)環(huán)境下的弱小目標(biāo)識(shí)別問題，可以將不易分辨類別的目標(biāo)歸結(jié)為一類，而對于易于辨別的目標(biāo)正常識(shí)別，提高彈載圖像中目標(biāo)快速檢測能力，其檢測過程如圖10 所示。

圖10 彈載圖像小目標(biāo)檢測步驟

圖10 中，當(dāng)彈目距離較遠(yuǎn)時(shí)，快速定位到圖像中的目標(biāo)位置，為指揮員提供預(yù)判時(shí)間，隨著彈目距離不斷縮小，判斷圖像類別，評估戰(zhàn)場目標(biāo)分布和毀傷效果。

為此，本節(jié)針對彈載圖像目標(biāo)特性對Yolo v3網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化，提升對戰(zhàn)場弱小目標(biāo)的檢測準(zhǔn)確率，調(diào)整方案為：1）數(shù)據(jù)擴(kuò)充及標(biāo)注；2）調(diào)整anchor 大?。?）上采樣轉(zhuǎn)換為雙線性插值上采樣；4）空間注意力模塊。

2.1 數(shù)據(jù)擴(kuò)充及標(biāo)注

文獻(xiàn)［10］對弱小目標(biāo)檢測算法的難點(diǎn)問題進(jìn)行了研究分析，目標(biāo)尺度小、特征信息少以及樣本數(shù)量不足是制約小目標(biāo)檢測算法性能的關(guān)鍵因素。對于彈載圖像中的目標(biāo)，因其尺度小，包含目標(biāo)的anchor 相應(yīng)較少，平均最大的IoU 也相對較低，為此可以提高弱小目標(biāo)在圖像中出現(xiàn)的頻率，以此增加更多的anchor 與之匹配，如下頁圖11 所示。

從圖11 可以分析出，對于大目標(biāo)，圖11（a）中有多個(gè)anchor 與目標(biāo)匹配（紫色anchor），而圖11（b）中的小目標(biāo)僅有3 個(gè)anchor 與之匹配，并且IoU的值也非常小（紅色anchor）。通過目標(biāo)在圖像中復(fù)制，小目標(biāo)在圖像中出現(xiàn)的頻率變高，與其匹配的anchor 也大幅度增加，提高了對弱小目標(biāo)的搜索能力，被檢測出的概率也大幅度提升。

圖11 不同尺度目標(biāo)anchor 分布

上節(jié)對彈載攝像機(jī)采集的目標(biāo)特征進(jìn)行了分析，其成像初期目標(biāo)在圖像中的像素占比非常低，不易于辨別圖像類別特征。結(jié)合圖像制導(dǎo)彈的機(jī)動(dòng)能力以及目標(biāo)在彈載圖像中的特征統(tǒng)計(jì)分析結(jié)果，本文將像素低于15×15 的目標(biāo)標(biāo)注為一類，而其他像素比例的目標(biāo)按照其自身特征進(jìn)行正常標(biāo)注，例如像素低于15×15 的坦克、遠(yuǎn)程火箭炮、步戰(zhàn)車等等，統(tǒng)一標(biāo)注為“target”類；而像素高于15×15 的坦克、遠(yuǎn)程火箭炮、步戰(zhàn)車等分別標(biāo)注為各自類別名稱。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

2.2.1 雙線性插值上采樣

Yolo v3 算法中通過FPN 結(jié)構(gòu)實(shí)現(xiàn)不同尺度特征的提取，并通過上采樣實(shí)現(xiàn)不同尺度特征的融合和預(yù)測，提高模型對不同尺度目標(biāo)的適應(yīng)性（圖6黃色方框）。上采樣操作可以提高圖像的分辨率，常用的方法一般為上池化（unpooling）、上采樣（upsampling）和雙線性插值（bilinear upsample）。傳統(tǒng)Yolo v3 通過兩次上采樣提高特征圖的分辨率，分別與上層特征圖進(jìn)行特征融合，其最大值池化和上采樣過程特征圖變化如圖12 所示。

圖12 Unsampling 示意圖

從圖12 可以看出，upsampling 操作相對簡單，通過復(fù)制操作完成特征圖擴(kuò)張，對特征位置信息帶來誤差，特別對弱小目標(biāo)，特征圖上采樣中容易將其特征丟失。

上池化（unpooling）保留了特征圖中的位置信息，其余位置用0 補(bǔ)充，如圖13 所示。

圖13 unpooling 示意圖

上池化過程僅是對特征圖的擴(kuò)增，沒有充分利用特征圖保存的信息，雖然unpooling 保留了特征的位置信息，但是補(bǔ)0 操作容易丟失部分弱小目標(biāo)信息。

雙線性插值（bilinear upsample，BU）充分利用低分辨率圖像中特征圖的位置和像素信息，提高定位精度，減少特征信息損失，其過程如下所示：

圖14 BU 示意圖

2.2.2 卷積注意力模塊

在人類的視覺感知模型中，更加關(guān)注圖像中特征顯著的目標(biāo)區(qū)域，即人的注意力機(jī)制。在作戰(zhàn)環(huán)境下，指揮員對目標(biāo)區(qū)域的目標(biāo)特征更感興趣，而弱小目標(biāo)的特征較少，容易在下采樣中被忽視。為此，本節(jié)算法在不同尺度特征融合的基礎(chǔ)上引入卷積注意力模塊（convolutional block attention module），提高對弱小目標(biāo)的特征的表達(dá)能力。

CBAM 包含通道注意力（channel attention modul，CAM）和空間注意力（spatial attention module，SAM），其整體結(jié)構(gòu)如下頁圖15 所示。

圖15 CBAM 結(jié)構(gòu)示意圖

其中，CAM 提取特征圖通道之間的聯(lián)系，注意力集中在辨別目標(biāo)類別，使用最大池化和平均池化實(shí)現(xiàn)信息整合，用Softmax 函數(shù)激活特征信息，其結(jié)構(gòu)如圖16 所示。

圖16 CAM 模塊結(jié)構(gòu)示意圖

利用圖16 中通道注意力模塊，得到通道注意力最后的結(jié)果為：

其中，MLP 為共享多層感知器，σ 為Softmax 函數(shù)。

CAM 提高了對特征中目標(biāo)類別的注意力，并將輸出的結(jié)果送入SAM 對特征圖中信息的空間相關(guān)性進(jìn)行分析，其SAM 的結(jié)構(gòu)如圖17 所示。

圖17 SAM 模塊結(jié)構(gòu)示意圖

SAM 用來提高對目標(biāo)位置信息的注意力，通過maxpool 和avgpool 來對通道維度信息進(jìn)行整合，利用標(biāo)準(zhǔn)的卷積操作對兩個(gè)不同特征圖信息進(jìn)行特征提取，以此產(chǎn)生二維空間注意力圖，式（6）所示：

2.2.3 Anchor Boxes 設(shè)計(jì)

Yolo v3 采用Anchor 的思想對目標(biāo)位置進(jìn)行定位，解決直接預(yù)測目標(biāo)位置確定邊界框難以回歸問題，通過直接預(yù)測與Anchor 的偏移距離加快模型收斂和提高定位精度。Yolo v3 算法通過K-means 聚類對數(shù)據(jù)集上的目標(biāo)先驗(yàn)框尺度進(jìn)行分析，解決Anchor 尺度不合理對定位精度帶來的負(fù)面影響，特別是對于小型目標(biāo)和大小尺度不均衡目標(biāo)，Anchor的長寬比例對模型檢測精度至關(guān)重要。針對自己的樣本集對網(wǎng)絡(luò)中每種尺度特征圖的Anchor 重新初始化，提高模型的訓(xùn)練效果，其參數(shù)如表2 所示。

表2 Anchor Boxes 參數(shù)

原Yolo v3 網(wǎng)絡(luò)利用FPN 和多尺度預(yù)測相結(jié)合的方式來提高對多尺度目標(biāo)的適應(yīng)性，對圖像制導(dǎo)彈來說，其面向的目標(biāo)尺度相對較小。因此，本節(jié)算法將預(yù)測大目標(biāo)的特征結(jié)構(gòu)改進(jìn)為中等目標(biāo)和小目標(biāo)的融合特征，并增加CBAM 提高對顯著特征的注意力，提高對弱小目標(biāo)特征信息的提取能力，改進(jìn)后的Yolo v3 網(wǎng)絡(luò)結(jié)構(gòu)如下頁圖18 所示。

從圖18 可以看出，改進(jìn)Yolo v3 網(wǎng)絡(luò)將中尺度和小尺度特征通過降采樣實(shí)現(xiàn)空間特征融合（紅色虛線方框），并且在融合特征的基礎(chǔ)上通過卷積注意力模塊CBAM（藍(lán)色方框）提高對特征圖中顯著特征的注意力，提高對弱小目標(biāo)特征的提取能力。另外，F(xiàn)PN 中的上采樣過程通過雙線性插值提高特征圖的分辨率，充分利用特征圖中的目標(biāo)特征和位置信息，進(jìn)一步提高對弱小目標(biāo)特征的提取能力。

圖18 改進(jìn)Yolo v3 網(wǎng)絡(luò)結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果

模型訓(xùn)練硬件配置：CPU：Intel（R）Corei7-7700HQ @2.8 Hz 八核，GPU：NVIDIA GeForce GTX 1070，RAM：16 GB。

軟件配置：操作系統(tǒng)為64 位Microsoft Windows 10，深度學(xué)習(xí)框架：tensorflow，編程語言Python。

模型訓(xùn)練參數(shù)設(shè)置：訓(xùn)練樣本為彈載攝像機(jī)高空成像仿真圖像和無人機(jī)搭載彈載攝像機(jī)模擬彈丸飛行高度航拍圖像，篩選出符合彈載攝像機(jī)成像特點(diǎn)的圖像，其中，涵蓋坦克、步戰(zhàn)車、遠(yuǎn)程火箭炮、直升機(jī)、戰(zhàn)斗機(jī)、火炮、橋梁以及碉堡等8 類目標(biāo)，共8 000 張圖片，每類目標(biāo)不低于10%，并且不同彈目距離目標(biāo)圖像按照3 km，2 km，1 km 和0.5 km 為4∶3∶2∶1 比例配置，保證遠(yuǎn)距離目標(biāo)樣本數(shù)量，訓(xùn)練集、測試集和驗(yàn)證集按照7∶2∶1 的比例配置。為使本節(jié)搭建模型能更快、更穩(wěn)定地獲得更好的訓(xùn)練效果，Learning_rate 取值0.001，momentum 為0.9，decay 為0.000 5，batch 為16、32、64 等（根據(jù)訓(xùn)練過程自行調(diào)整），訓(xùn)練迭代最大次數(shù)50 000。

為對比分析本節(jié)改進(jìn)模型與原Yolo v3 模型性能優(yōu)劣，分別采用相同的訓(xùn)練參數(shù)配置訓(xùn)練模型，其性能分析結(jié)果如圖19 所示。

圖19 本節(jié)模型與Yolo v3 性能指標(biāo)變化情況

圖中橙色散點(diǎn)為Yolo v3 算法指標(biāo)，藍(lán)色散點(diǎn)為本節(jié)改進(jìn)模型參數(shù)指標(biāo)，通過對各自訓(xùn)練損失、召回率、準(zhǔn)確率以及平均檢測精度分析可知，本節(jié)模型訓(xùn)練損失能快速降至較低水平，并且在迭代12 000 次左右損失值低于Yolo v3 水平，模型的各評價(jià)標(biāo)準(zhǔn)也在迭代12 000 次左右超過原始Yolo v3模型，驗(yàn)證了本節(jié)改進(jìn)模型的有效性和高性能。

利用數(shù)據(jù)集中的測試集對上述訓(xùn)練模型結(jié)果進(jìn)行測試，其結(jié)果如圖20 所示。

圖20 為不同彈目距離時(shí)不同目標(biāo)的檢測結(jié)果示意圖，從中可以分析出，對于遠(yuǎn)距離彈載攝像機(jī)成像，戰(zhàn)場中目標(biāo)特征信息較少，坦克、遠(yuǎn)程火箭炮等尺度較小的目標(biāo)被統(tǒng)一識(shí)別為“target”類別，檢測準(zhǔn)確率最高達(dá)92%。隨著彈目距離的不斷縮小，各裝備在圖像中的特征信息不斷增多，被準(zhǔn)確識(shí)別類別的概率也不斷增大，當(dāng)彈目距離為1 km 左右時(shí)，已基本可以準(zhǔn)確分辨類別信息。

圖20 檢測結(jié)果示意圖

進(jìn)一步分析本節(jié)模型與原Yolo v3 的算法性能，統(tǒng)計(jì)測試集中不同目標(biāo)的檢測精度，如圖21 所示。

圖21 各類別檢測精度對比結(jié)果

圖21 中，“target”為彈目距離較遠(yuǎn)不能分辨目標(biāo)類別標(biāo)注的泛化“目標(biāo)類”，mAP 為目標(biāo)的均值平均精度。通過測試集各目標(biāo)檢測精度的統(tǒng)計(jì)分析發(fā)現(xiàn)，本節(jié)改進(jìn)模型在同等訓(xùn)練條件下比傳統(tǒng)Yolo v3能獲得更高的檢測精度，特別是對彈載圖像中不易區(qū)分目標(biāo)類別的小目標(biāo)裝備，模型檢測精度可以達(dá)88.7%，為指揮員戰(zhàn)場決策提供更充分的時(shí)間。

為進(jìn)一步驗(yàn)證改進(jìn)模型中各改進(jìn)策略的有效性，通過相同的參數(shù)訓(xùn)練條件調(diào)節(jié)模型訓(xùn)練過程，其測試結(jié)果如表3 所示。

表3 模型改進(jìn)策略對算法影響

通過表3 分析可知，改進(jìn)算法中各策略均會(huì)在一定程度上提高模型的預(yù)測精度，并且當(dāng)各策略均被應(yīng)用到網(wǎng)絡(luò)改進(jìn)中時(shí)，模型的均值平均精度比傳統(tǒng)模型提高了4.47%。此外，上述改進(jìn)策略對模型的目標(biāo)檢測速度影響不大，均保持在45 FPS 左右，滿足彈載圖像地面站目標(biāo)檢測實(shí)時(shí)性的要求。

4 結(jié)論

本文對彈載圖像目標(biāo)檢測中存在的問題進(jìn)行分析，以Yolo v3 為基線網(wǎng)絡(luò)，建立對弱小目標(biāo)的改進(jìn)模型。在數(shù)據(jù)增強(qiáng)和目標(biāo)分類層面對小目標(biāo)樣本集進(jìn)行處理，將像素小于15×15、不易區(qū)分類別的目標(biāo)統(tǒng)稱為“target”類，提升小目標(biāo)占比，大大降低了弱小目標(biāo)的誤判概率。隨后，優(yōu)化Yolo v3 網(wǎng)絡(luò)結(jié)構(gòu)，在Yolo v3 多尺度特征提取中將小尺度和中尺度特征融合替換大尺度特征，并引入卷積注意力模塊，提高對目標(biāo)顯著特征的表達(dá)能力。利用雙線性插值實(shí)現(xiàn)多尺度特征上采樣，充分利用目標(biāo)特征的位置和像素信息，提高定位精度，減少特征信息損失。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的Yolo v3 模型可以大幅提升小目標(biāo)的檢測準(zhǔn)確率，mAP 高達(dá)95.08%，檢測速度在GPU 平臺(tái)下為45 FPS，滿足實(shí)時(shí)性要求，為彈載異構(gòu)平臺(tái)部署提供了高性能算法。