本发明涉及一种基于卷积神经网络的sar目标部件级识别方法。
背景技术:
1、在目标识别中,需要找到位于目标表面或内部最脆弱或最关键的部件,以提供更精确的制导方位,目前对于目标关键部件的识别精确度不高。
技术实现思路
1、本发明的目的在于提供一种基于卷积神经网络的sar目标部件级识别方法,实现了对合成孔径雷达sar图像的目标关键部件的自动精确识别。
2、为了达到上述目的,本发明提供一种基于卷积神经网络的sar目标部件级识别方法,包含以下步骤:
3、步骤s1、仿真计算目标集的sar图像,将sar图像数据集分为训练集和测试集;
4、步骤s2、对出现关键部件的sar图像进行旋转标注;
5、步骤s3、构建单阶段的旋转retinanet卷积神经网络模型;
6、步骤s4、使用带标注的sar图像训练集来训练旋转retinanet卷积神经网络模型直至收敛;
7、步骤s5、使用未标注的sar图像测试集检测旋转retinanet卷积神经网络模型得到关键部件位置。
8、使用具有电大尺寸目标电磁散射特性计算能力的电磁散射仿真软件计算目标集的sar图像。
9、所述目标集为包含待识别关键部件在内的至少三个目标模型。
10、sar图像计算覆盖主要俯仰角和全方位角范围,角度间隔小于5°,中心频率和成像分辨率保持一致。
11、将得到的sar图像数据集按照7:3的数量比例分为训练集和测试集。
12、所述旋转retinanet卷积神经网络模型采用单阶段检测算法同时完成定位和分类,使用resnet作为主干网络,并在其基础上构建了特征金字塔网络;使用两个子网络分别进行分类和回归;使用focalloss损失函数,所述focalloss损失函数为:
13、fl(pt)=-αt(1-pt)γlog10(pt) (1)
14、其中,pt指分类正确的置信度,pt∈(0,1),pt越趋近于1,代表分类正确且置信度越高;(1-pt)称作缩放因子,缩放因子接近0,则减小简单样本的损失,缩放因子接近1,则保持难分样本的损失;γ是缩放因子的指数,γ值越大,缩放因子的变化越剧烈;αt是正负样本对应的权重系数,αt值越小,正样本的权重越大,αt值越大,负样本的权重越大;log10(pt)是基本的交叉墒损失函数。
15、使用带标注的sar图像训练集进行网络模型训练,直到focalloss损失函数及其归一化梯度在多轮训练过程中大幅减少,并趋于收敛稳定,从而得到训练后的部件识别神经网络模型。
16、本发明解决了基于sar图像的目标关键部件识别问题,retinanet卷积神经网络对sar图像中目标部件与整体的特征关系具有很好的提取能力,实现了目标关键部件的精确识别。相对传统方法,本方法使用单阶段卷积神经网络框架,具有智能化、自动化及鲁棒性强的优点,可用于目标的自动精确识别,具有工程应用价值。
1.一种基于卷积神经网络的sar目标部件级识别方法,其特征在于,包含以下步骤:
2.如权利要求1所述的基于卷积神经网络的sar目标部件级识别方法,其特征在于,使用具有电大尺寸目标电磁散射特性计算能力的电磁散射仿真软件计算目标集的sar图像。
3.如权利要求1所述的基于卷积神经网络的sar目标部件级识别方法,其特征在于,所述目标集为包含待识别关键部件在内的至少三个目标模型。
4.如权利要求3所述的基于卷积神经网络的sar目标部件级识别方法,其特征在于,sar图像计算覆盖主要俯仰角和全方位角范围,角度间隔小于5°,中心频率和成像分辨率保持一致。
5.如权利要求4所述的基于卷积神经网络的sar目标部件级识别方法,其特征在于,将得到的sar图像数据集按照7:3的数量比例分为训练集和测试集。
6.如权利要求5所述的基于卷积神经网络的sar目标部件级识别方法,其特征在于,所述旋转retinanet卷积神经网络模型采用单阶段检测算法同时完成定位和分类,使用resnet作为主干网络,并在其基础上构建了特征金字塔网络;使用两个子网络分别进行分类和回归;使用focalloss损失函数,所述focalloss损失函数为:
7.如权利要求6所述的基于卷积神经网络的sar目标部件级识别方法,其特征在于,使用带标注的sar图像训练集进行网络模型训练,直到focalloss损失函数及其归一化梯度在多轮训练过程中大幅减少,并趋于收敛稳定,从而得到训练后的部件识别神经网络模型。