關(guān)鍵詞：導(dǎo)彈型號(hào)識(shí)別;特征分析;ResNet18

中圖分類號(hào)：TP3-05 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

在現(xiàn)代戰(zhàn)爭(zhēng)中，導(dǎo)彈的種類繁多，不同型號(hào)的導(dǎo)彈具有不同的威力、射程和作戰(zhàn)能力[1-3]。因此，準(zhǔn)確識(shí)別導(dǎo)彈的型號(hào)對(duì)于戰(zhàn)場(chǎng)態(tài)勢(shì)判斷和決策制定至關(guān)重要。然而，傳統(tǒng)的導(dǎo)彈型號(hào)識(shí)別方法存在準(zhǔn)確率和實(shí)時(shí)性難以兼顧的問題[4-6]。傳統(tǒng)的導(dǎo)彈型號(hào)識(shí)別方法主要依賴人工經(jīng)驗(yàn)和專家知識(shí)，需要人工對(duì)導(dǎo)彈的外觀特征進(jìn)行分析和比對(duì)，這種方法易受人為因素影響，存在主觀性強(qiáng)、耗時(shí)長(zhǎng)等問題，無法滿足實(shí)戰(zhàn)要求中對(duì)導(dǎo)彈識(shí)別準(zhǔn)確率與實(shí)時(shí)性的雙重需求[7-10]。為了解決這一問題，本文提出了基于ResNet18 卷積神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈型號(hào)識(shí)別模型[11-15]。

1 導(dǎo)彈外形特征提取和模型構(gòu)建（Missile shapefeature extraction and model construction）

導(dǎo)彈實(shí)現(xiàn)的功能及飛行性能等不同，其氣動(dòng)外形及彈體布局就會(huì)有較大的不同，這些特征也是識(shí)別不同型號(hào)導(dǎo)彈的關(guān)鍵要素。卷積神經(jīng)網(wǎng)絡(luò)能自動(dòng)學(xué)習(xí)導(dǎo)彈圖像中的特征，包括導(dǎo)彈的整體形狀、長(zhǎng)度、寬度、高度、輪廓特征以及尺度不變性和旋轉(zhuǎn)不變性（圖像的不同尺度和角度）。在實(shí)戰(zhàn)中，衛(wèi)星偵察、無人機(jī)偵察及敵后滲透?jìng)刹斓确绞将@取導(dǎo)彈圖片的清晰度和視角的局限性，導(dǎo)致神經(jīng)網(wǎng)絡(luò)識(shí)別準(zhǔn)確率低、耗費(fèi)時(shí)間長(zhǎng)。因此，根據(jù)國(guó)外一些已公開的導(dǎo)彈參數(shù)進(jìn)行3D建模，通過對(duì)模型進(jìn)行無死角拍照，收集相應(yīng)的數(shù)據(jù)，分析導(dǎo)彈的外形特征。

1.1 導(dǎo)彈的外形特征分析導(dǎo)彈的整體外形可以拆

分為如下組成部分細(xì)化識(shí)別項(xiàng)。

（1）彈頭?？諏?duì)空導(dǎo)彈和巡航導(dǎo)彈的彈頭通常是流線型或圓錐形;空對(duì)地導(dǎo)彈的彈頭形狀有球形、圓錐形或平頭形;反艦導(dǎo)彈的彈頭有流線型錐形或者具有更加復(fù)雜的幾何形狀，如球形帶切割環(huán)形、截卵型及尖卵帶切割爪形等。

（2）彈翼。①?gòu)椧淼幕就庑危耗壳?，?dǎo)彈采用的彈翼平面形狀有梯形翼、后掠翼、三角翼及鰭式翼。②彈翼位置：飛航式導(dǎo)彈彈翼通常位于導(dǎo)彈的尾部，常見的有小矩形或三角形;為操縱導(dǎo)彈機(jī)動(dòng)飛行進(jìn)行目標(biāo)搜尋及避障，某些型號(hào)的導(dǎo)彈彈翼位于導(dǎo)彈的側(cè)翼或尾部，有時(shí)也被嵌入導(dǎo)彈表面。

（3）導(dǎo)彈翼面分布。①導(dǎo)彈的翼面沿彈身周側(cè)的布置形式：比較常見的字形有“-”“+”“×”3種。②導(dǎo)彈翼面沿彈身縱軸的布置形式：按照彈翼與舵面的相對(duì)位置不同，導(dǎo)彈的氣動(dòng)布局有正常式、無尾式、鴨式、旋轉(zhuǎn)彈翼式4種。

（4）尾部噴管。導(dǎo)彈一般采用超聲速噴管即拉瓦爾噴管，噴管的形面和液體火箭發(fā)動(dòng)機(jī)的噴管一樣，有錐形和特型（曲線型）。通常，小型發(fā)動(dòng)機(jī)用錐形噴管，大型發(fā)動(dòng)機(jī)用特型噴管。

在實(shí)驗(yàn)中，模型原圖如圖1（a）所示，利用MATLAB軟件和CAM（Class Activation Map）原理計(jì)算得到導(dǎo)彈的熱力圖如圖1（b）所示。CAM 是一種用于可視化深度學(xué)習(xí)模型中的通道注意力機(jī)制，它可以幫助研究人員理解模型在分類任務(wù)中的決策過程，并可視化模型對(duì)不同特征的關(guān)注程度。在卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，最后一個(gè)卷積層的輸出通常是一個(gè)特征圖，它包含輸入圖像在不同位置的特征響應(yīng)。CAM圖像可以顯示出模型對(duì)不同導(dǎo)彈類型的關(guān)注程度，其中高亮區(qū)域顯示出了模型認(rèn)為與該類別相關(guān)的圖像區(qū)域，可以幫助研究人員理解模型的決策過程，并可視化模型對(duì)不同特征的關(guān)注程度，有助于解釋模型的預(yù)測(cè)結(jié)果。

1.2 導(dǎo)彈模型的構(gòu)建

常見的建模軟件有Rhino和Solidworks等，實(shí)驗(yàn)選擇Rhino的原因是它具有多場(chǎng)景渲染的能力，貼近模擬實(shí)戰(zhàn)各種環(huán)境下的導(dǎo)彈狀況。本文給出6種導(dǎo)彈的基本參數(shù)，如表1 所示。

1.3 導(dǎo)彈圖片的處理

本實(shí)驗(yàn)使用的所有圖片均為人工收集，分別收集6種導(dǎo)彈數(shù)據(jù)圖片2 000張，共12 000張。導(dǎo)彈類型的識(shí)別過程中會(huì)受到多種因素的影響，因此為提高模型的泛化能力，防止過擬合，本次實(shí)驗(yàn)對(duì)圖像進(jìn)行添加高斯噪聲、增強(qiáng)對(duì)比度和均值模糊等處理，增強(qiáng)后的導(dǎo)彈圖像如圖2所示。

將原始圖片按照1∶3的比例進(jìn)行擴(kuò)充，擴(kuò)充后的導(dǎo)彈圖片由12 000張擴(kuò)充為48 000張，并將70%的圖片作為訓(xùn)練集，20%的圖片作為驗(yàn)證集，10%的圖片作為測(cè)試集，每種類別的圖片數(shù)量如表2所示。

1.4 圖像均值和方差的計(jì)算

圖像的均值和方差是用來描述圖像亮度和對(duì)比度的統(tǒng)計(jì)量。在圖像處理中，常常使用均值和方差進(jìn)行圖像的歸一化操作，以便更好地適應(yīng)不同的算法和模型。計(jì)算圖像均值的原理是將圖片中的所有像素值相加，然后除以像素的總數(shù);計(jì)算圖像的方差的原理是衡量圖片像素值的離散程度，即像素值與均值之間的差異。

在卷積神經(jīng)網(wǎng)絡(luò)中，對(duì)圖像進(jìn)行均值和方差的計(jì)算（圖3），通常是通過批量歸一化（Batch Normalization）操作實(shí)現(xiàn)的。本實(shí)驗(yàn)中，通過對(duì)圖片進(jìn)行批量歸一化處理，卷積神經(jīng)網(wǎng)絡(luò)可以更容易地學(xué)習(xí)到有效的特征表示，改善梯度傳播效果，減少內(nèi)部協(xié)變量偏移，提高模型的穩(wěn)定性和泛化能力。

2 ResNet18神經(jīng)網(wǎng)絡(luò)的搭建（ResNet18 neuralnetwork construction）

為了解決深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的梯度消失和梯度爆炸問題，殘差網(wǎng)絡(luò)（Residual Network，ResNet）是由微軟亞洲研究院的何愷明等于2015年提出的深度學(xué)習(xí)模型。ResNet通過引入快捷連接，允許某一層的輸出直接跳過一個(gè)或多個(gè)層，連接到后續(xù)層的輸入。這樣做的好處是，即使某些層不做任何有意義的變換，它們?nèi)匀豢梢詡鬟f之前層的信息，而不會(huì)對(duì)梯度產(chǎn)生過多的損失。ResNet快捷連接示意圖如圖4所示。

必須注意的是，如果殘差映射的結(jié)果的維度與跳躍連接的維度不同，就沒有辦法對(duì)它們進(jìn)行相加操作，所以必須對(duì)X進(jìn)行升維操作，在二者的維度相同時(shí)計(jì)算。本實(shí)驗(yàn)中，使用全1填充1*1卷積核來進(jìn)行升維。

ResNet18是ResNet系列模型中的一個(gè)較小的版本，它的層數(shù)適中，收斂速度快，相對(duì)于更深的ResNet變體（如ResNet50），具有較少的層數(shù)和參數(shù)數(shù)量，因此計(jì)算更高效。ResNet18卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖5所示。

3 實(shí)驗(yàn)及結(jié)果分析（Experiments and analysisof results）

3.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

本實(shí)驗(yàn)?zāi)Ｐ陀?xùn)練和測(cè)試的環(huán)境如下：64位的Windows11操作系統(tǒng)，處理器為Intel（R） Core （TM）i7-12560H，顯卡采用NVIDIA GetForce RTX-4060，顯存為8 GB，深度學(xué)習(xí)框架為Pytorch 1.10.1;python版本為3.8.0;計(jì)算框架使用Cuda 11.3版本。

考慮到圖片樣本的數(shù)量和計(jì)算機(jī)的硬件條件，本實(shí)驗(yàn)設(shè)置批處理大小為32（Batch Size），迭代次數(shù)（Epoch）為100次，學(xué)習(xí)率設(shè)置為0.001。

3.2 模型評(píng)價(jià)指標(biāo)

本實(shí)驗(yàn)選擇準(zhǔn)確率（Accuracy）和損失率（Loss）作為模型的主要評(píng)價(jià)指標(biāo)。

3.3 模型性能分析

ResNet模型在訓(xùn)練集和驗(yàn)證集上的準(zhǔn)確率曲線如圖6所示。從圖6中可以看出，模型在訓(xùn)練集上的準(zhǔn)確率曲線變化比較穩(wěn)定且收斂速度快。在訓(xùn)練達(dá)到10輪左右時(shí)，模型的準(zhǔn)確率曲線變化趨近平緩。在驗(yàn)證集上的準(zhǔn)確率曲線振幅變化情況較小，說明本次實(shí)驗(yàn)沒有出現(xiàn)過擬合現(xiàn)象，驗(yàn)證了該模型的識(shí)別有效性。

損失率是衡量模型在訓(xùn)練過程中的性能指標(biāo)之一，它表示模型在訓(xùn)練集上的預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽之間的差異程度。ResNet18模型在訓(xùn)練集和驗(yàn)證集上的損失率曲線如圖7所示?？梢钥闯?，訓(xùn)練集的損失率在迭代10輪左右時(shí)，已經(jīng)趨向于平緩;驗(yàn)證集的損失率有較小的波動(dòng)，隨著迭代次數(shù)的增加，波動(dòng)明顯減小且趨于平緩，說明該模型具有較高的可信度。

3.4 模型訓(xùn)練結(jié)果對(duì)比

為了綜合評(píng)估ResNet18神經(jīng)網(wǎng)絡(luò)模型的性能，本次實(shí)驗(yàn)選取了LeNet、VGG16和GoogLeNet深度學(xué)習(xí)模型與其進(jìn)行對(duì)比。各個(gè)模型在測(cè)試集上的識(shí)別準(zhǔn)確率、損失率和識(shí)別時(shí)間如表3所示。從表3中可以看出，ResNet18的識(shí)別準(zhǔn)確率達(dá)到99.80%，比LeNet、VGG16 和GoogLeNet分別提高了9.35百分點(diǎn)、1.37百分點(diǎn)和1.91百分點(diǎn);ResNet18的損失率和識(shí)別時(shí)間略高于GoogLeNet的同類指標(biāo)值，低于其他兩個(gè)模型的同類指標(biāo)值。這說明ResNet18能夠在保證較短的識(shí)別時(shí)間和損失率的前提下，同時(shí)提高對(duì)導(dǎo)彈型號(hào)識(shí)別的準(zhǔn)確率，體現(xiàn)了ResNet18的實(shí)時(shí)性和高效性。

4 結(jié)論（Conclusion）

本文提出使用ResNet18神經(jīng)網(wǎng)絡(luò)模型對(duì)6種不同型號(hào)的導(dǎo)彈進(jìn)行快速且準(zhǔn)確的識(shí)別，利用3D建模實(shí)現(xiàn)對(duì)6種導(dǎo)彈特征的提取，計(jì)算導(dǎo)彈熱力圖，分析解釋模型的預(yù)測(cè)結(jié)果。經(jīng)過實(shí)驗(yàn)并與其他模型對(duì)比，ResNet18神經(jīng)網(wǎng)絡(luò)模型對(duì)6種導(dǎo)彈型號(hào)的識(shí)別準(zhǔn)確率達(dá)到99.80%，優(yōu)于LeNet模型、VGG16模型和GoogLeNet模型，兼顧實(shí)時(shí)性和高效性的需求。

作者簡(jiǎn)介：

秦豪坤（2002-），男，本科生。研究領(lǐng)域：武器工程與智能識(shí)別。

魏 娜（1980-），女，博士，講師。研究領(lǐng)域：人工智能，模式識(shí)別。本文通信作者。

屈鈺博（2003-），女，本科生。研究領(lǐng)域：導(dǎo)彈工程。

張清超（1998-），男，本科生。研究領(lǐng)域：信息安全。

陳炳瑜（2003-），男，本科生。研究領(lǐng)域：導(dǎo)彈動(dòng)力。