一种基于小样本深度学习的快速毁伤识别和定位方法

本发明涉及毁伤识别（靶板是否穿孔），具体涉及一种基于小样本深度学习的快速毁伤识别和定位方法。

背景技术：

1、在未来实战中，更加强调对目标的有效打击和毁伤，追求毁伤的精确性和有效性。破片是弹药/战斗部的主要毁伤元之一，对弹药破片毁伤效果进行精细化评估的需求越来越强烈，通过实施战斗部静爆试验对靶板穿孔数量、密度和分布进行识别和检测，进而为建立战斗部精确的威力场提供有效参考。传统方法在进行靶板穿孔特征统计时采用人工统计的方法，依靠肉眼识别和统计靶板上孔洞的数量、位置及分布情况，效率低下、难以进行精确测量且原始数据不易保存。因此，如何快速而精确地对靶板毁伤效果进行评估非常重要。

2、目前的靶板穿孔识别和检测方法中，很多采用三维激光扫描技术获得爆破前后的战斗部及靶板点云数据，进一步对点云数据进行处理实现毁伤效果评估，但是对三维数据的处理较为复杂耗时且成本高；也有利用基于深度学习的方法获得靶板穿孔数量、密度和分布等信息，但是这类方法大都需要大量有标注的数据集，而标注目前仅能依赖人工。而且，面临新的弹药/战斗部类型往往需要再次进行大量标注和网络训练。因此，基于深度学习的毁伤识别方法依然面临人力成本高的问题。

技术实现思路

1、有鉴于此，本发明提出了一种基于小样本深度学习的快速毁伤识别和定位方法，能够避免定位误差同时显著减少人工标注成本。

2、为实现上述目的，本发明的技术方案为：

3、一种基于小样本深度学习的快速毁伤识别和定位方法，其中，包括如下步骤：

4、步骤1，基于热力图分布生成矫正网络数据集；构建矫正网络并利用矫正网络数据集进行训练，利用训练好的矫正网络对靶板图像矫正；

5、步骤2，对矫正后的靶板图像进行分割，基于分割后的图像构建识别网络数据集；

6、步骤3，构建靶板穿孔识别深度学习网络；利用识别网络数据集进行训练，利用训练后的深度学习网络进行穿孔识别；其中，采用元学习进行穿孔识别深度学习网络的训练；

7、步骤4，穿孔识别的同时，得到每个穿孔在其所在的小图像上的位置坐标；

8、步骤5，若存在同类型新靶板的穿孔识别任务，首先利用训练好的矫正网络对靶板图像进行矫正，然后采用与步骤2相同的方式进行图像分割和识别网络数据集构建，在步骤3构建的深度学习网络及其最佳网络初始参数的基础上，采用元学习更新网络参数，得到适配新新靶板的穿孔识别任务的深度学习网络，最后再使用与步骤4同样的方法对弹孔进行定位，完成快速毁伤识别和定位。

9、其中，所述步骤2中，对矫正后的靶板图像进行分割，具体方式为：将靶板图像分割为小图像，小图像的尺寸不大于深度学习网络的视觉感受区域；使用边缘保护切割法进行图像分割，具体为：首先确定好分割尺寸，从整个靶板图像的左上角开始分割，得小图像a；相邻的小图像边缘确保有相互重叠区域，a的临近分割相较于前一张小图像向左或向下平移 l， l定义为分割步长；按照依次平移 l的方法完成整张靶板的分割；选取a、b、 l值，使得整张靶板能刚好被切割为多个小图像，其中，a和b分别为小图像的长和宽，a、b根据卷积神经网络的感受野决定， l小于a、b；

10、基于分割后的图像构建数据集，具体方式为：根据弹孔的分布情况进行弹孔标注，得到数据集；当弹孔在靶板上分布均匀时，选择靠近靶板中部的若干小图像并对其弹孔遍历标注，当靶板弹孔分布不均匀时，从弹孔数目大于设定值的小图像中随机抽取其中60%的小图像遍历标注，对于弹孔数目小于或等于设定值的小图像则全部进行遍历标注。

11、其中，所述步骤3中，采取有放回的抽样技术将数据集分为n个训练任务，每个训练任务对应支持集和验证集，不断学习识别任务通用的元特征，更新当前的最佳网络初始参数；若构建的深度学习网络不满足穿孔识别精度，则继续增加标注样本，基于该网络及其最优初始网络参数继续进行元学习更新网络参数，直至网络精度满足要求。

12、其中，所述步骤5中，新靶板的穿孔识别任务中，构建识别网络的数据集约为旧任务所需数据集的30%左右。

13、其中，所述步骤4中，得到每个穿孔在其所在的小图像上的位置坐标的具体方式为：首先定义全局坐标系，以靶板图像的长短边分别为x和y纵轴，左下角交点为原点o；相应地定义局部坐标系，以小图像的长短边分别为x’和y’纵轴，左下角交点为原点o’；在小图像中的某穿孔位置坐标记为，通过原点平移得到全局坐标系下的坐标位置(x, y)：

14、

15、其中，i和j分别代表分割前该小图像在整张靶板图像种所处行与列的位置。

16、其中，所述步骤1中，采用如下损失训练网络：

17、

18、其中，n为样本数量，λ为控制均方误差和尺度不变误差比重的超参数，为模型输出的矫正值和真值之间的差值。

19、有益效果

20、1、本发明的面向靶板穿孔目标的小样本深度学习毁伤识别和定位方法，基于深度学习的图像矫正、毁伤识别和穿孔定位，引入深度学习进行靶板图像矫正，避免了拍摄图像偏斜、扭曲等导致的定位误差，减少毁伤图像拍摄中因外部因素导致的毁伤定位偏差，大大降低毁伤识别的人工成本；本发明在目标识别方面引入元学习的小样本深度学习技术显著降低了样本需求量，对比于其余需要大量有标注的数据集，显著减少了样本需求量，大致只需切割并标注两张左右的完整战斗部靶板图像，就可以实现目标检测。

21、2、本发明可快速适配同类战斗部的靶板图像穿孔识别，可以显著减少人工标注成本，在实际应用中，新的样本的标注约为旧任务数据集的30%。

22、3、本发明引入了深度学习的方法进行靶板图像矫正，实现穿孔识别后期对弹孔的定位。对比现有方法采用三维激光扫描技术获得爆破前后的战斗部及靶板点云数据的方法相比，效率高且成本低。本发明只需要通过拍摄的二维靶板图像，再矫正消除由于拍摄造成的倾斜问题，就可以实现对穿孔位置的定位。

技术特征：

1.一种基于小样本深度学习的快速毁伤识别和定位方法，其特征在于，包括如下步骤：

2.如权利要求1所述的方法，其特征在于，所述步骤2中，对矫正后的靶板图像进行分割，具体方式为：将靶板图像分割为小图像，小图像的尺寸不大于深度学习网络的视觉感受区域；使用边缘保护切割法进行图像分割，具体为：首先确定好分割尺寸，从整个靶板图像的左上角开始分割，得小图像a；相邻的小图像边缘确保有相互重叠区域，a的临近分割相较于前一张小图像向左或向下平移l，l定义为分割步长；按照依次平移l的方法完成整张靶板的分割；选取a、b、l值，使得整张靶板能刚好被切割为多个小图像，其中，a和b分别为小图像的长和宽，a、b根据卷积神经网络的感受野决定，l小于a、b；

3.如权利要求1或2所述的方法，其特征在于，所述步骤3中，采取有放回的抽样技术将数据集分为n个训练任务，每个训练任务对应支持集和验证集，不断学习识别任务通用的元特征，更新当前的最佳网络初始参数；若构建的深度学习网络不满足穿孔识别精度，则继续增加标注样本，基于该网络及其最优初始网络参数继续进行元学习更新网络参数，直至网络精度满足要求。

4.如权利要求3所述的方法，其特征在于，所述步骤5中，新靶板的穿孔识别任务中，构建识别网络的数据集约为旧任务所需数据集的30%左右。

5.如权利要求1、2或4所述的方法，其特征在于，所述步骤4中，得到每个穿孔在其所在的小图像上的位置坐标的具体方式为：首先定义全局坐标系，以靶板图像的长短边分别为x和y纵轴，左下角交点为原点o；相应地定义局部坐标系，以小图像的长短边分别为x’和y’纵轴，左下角交点为原点o’；在小图像中的某穿孔位置坐标记为，通过原点平移得到全局坐标系下的坐标位置(x,y)：

6.如权利要求1、2或4所述的方法，其特征在于，所述步骤1中，采用如下损失训练网络：

技术总结
本发明提出了一种基于小样本深度学习的快速毁伤识别和定位方法，能够避免定位误差同时显著减少人工标注成本。本发明的面向靶板穿孔目标的小样本深度学习毁伤识别和定位方法，基于深度学习的图像矫正、毁伤识别和穿孔定位，引入深度学习进行靶板图像矫正，避免了拍摄图像偏斜、扭曲等导致的定位误差，减少毁伤图像拍摄中因外部因素导致的毁伤定位偏差，大大降低毁伤识别的人工成本；本发明在目标识别方面引入元学习的小样本深度学习技术显著降低了样本需求量，对比于其余需要大量有标注的数据集，显著减少了样本需求量，大致只需切割并标注两张左右的完整战斗部靶板图像，就可以实现目标检测。

技术研发人员：熊芬芬,张千晓,李超
受保护的技术使用者：北京理工大学
技术研发日：
技术公布日：2024/1/16