留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

深度学习的空间红外弱小目标状态感知方法

黄乐弘 曹立华 李宁 李毅

黄乐弘, 曹立华, 李宁, 李毅. 深度学习的空间红外弱小目标状态感知方法[J]. 中国光学, 2020, 13(3): 527-536. doi: 10.3788/CO.2019-0120
引用本文: 黄乐弘, 曹立华, 李宁, 李毅. 深度学习的空间红外弱小目标状态感知方法[J]. 中国光学, 2020, 13(3): 527-536. doi: 10.3788/CO.2019-0120
HUANG Le-hong, CAO Li-hua, LI Ning, LI Yi. A state perception method for infrared dim and small targets with deep learning[J]. Chinese Optics, 2020, 13(3): 527-536. doi: 10.3788/CO.2019-0120
Citation: HUANG Le-hong, CAO Li-hua, LI Ning, LI Yi. A state perception method for infrared dim and small targets with deep learning[J]. Chinese Optics, 2020, 13(3): 527-536. doi: 10.3788/CO.2019-0120

深度学习的空间红外弱小目标状态感知方法

doi: 10.3788/CO.2019-0120
基金项目: 国家自然科学基金项目(No. 61705219)
详细信息
    作者简介:

    黄乐弘(1994—),男,陕西西安人,硕士研究生,2016年于东北师范大学获得学士学位,主要从事计算机视觉、目标特性识别、深度学习等方面的研究。E-mail:841914537@qq.com

    曹立华(1971—),男,吉林磐石人,研究员,博士生导师,1994年于西安交通大学获得学士学位,2014年于长春理工大学获得博士学位,主要从事光电仪器总体集成技术、目标特性测量与识别等方面的研究。E-mail:cao0983@sina.com

    李宁(1983-),男,吉林白山人,副研究员,2007年于长春理工大学获得学士学位,2012年于中国科学院长春光学精密机械与物理研究所获得博士学位,主要从事红外图像处理、红外辐射特性测量等方面的研究。E-mail:ning_li521@qq.com

    李毅(1988-),男,湖南岳阳人,助理研究员,2011年于吉林大学获得学士学位,2016年于中国科学院长春光学精密机械与物理研究所获得博士学位,主要从事图像处理、红外图像增强等方面的研究。E-mail:leey2009@sina.com

  • 中图分类号: TP391.4

A state perception method for infrared dim and small targets with deep learning

Funds: Supported by National Natural Science Foundation of China (No. 61705219)
More Information
  • 摘要: 针对当前空间红外弱小目标状态感知方法存在判别准确率低、人工干涉较多、对数据质量要求较高等问题,提出了一种全新的基于深度学习的判别算法。首先,对空间红外弱小目标状态变化进行了分析,并建立了专用数据集;然后,建立了目标状态感知任务专用的卷积神经网络框架,并在局部标注及自适应阈值等方面进行了创新;最后,应用实验室采集的目标辐射强度信息制作的仿真数据对本算法进行了训练和测试,建立了目标状态感知评估指标体系,并对实验结果进行评估。实验结果表明:在输入连续完整的辐射强度信息时,判别准确率为98.27%;输入片段辐射强度信息时,各状态判别准确率皆大于90%。本算法弥补了现有方法对空间弱小目标状态感知虚警率高和目标信息不完整时不敏感的缺陷,提高了检测速度和精度,可以更好地满足空间红外弱小目标感知任务的需求。
  • 图  1  红外辐射数据中的目标姿态调整现象

    Figure  1.  Attitude adjustment of target in infrared radiation data

    图  2  红外辐射数据中的目标起旋现象

    Figure  2.  Target spinning in infrared radiation data

    图  3  红外辐射数据中的目标旋转现象

    Figure  3.  Target rotation in infrared radiation data

    图  4  LeNet-5网络示意图

    Figure  4.  Schematic diagram of LeNet-5 network

    图  5  改进的CNN模型

    Figure  5.  Improved CNN Model

    图  6  起旋现象检测图

    Figure  6.  Detection diagrams of spinning phenomenon

    图  7  损失值函数曲线

    Figure  7.  Loss function curve

    图  8  实验一输入数据

    Figure  8.  Inputted data in experiment 1

    图  9  实验二输入数据

    Figure  9.  Inputted data in experiment 2

    图  10  改进前后的CNN检测方法检测结果对比

    Figure  10.  Comparison of test results of CNN detection methods before and after improving

    表  1  红外探测系统参数

    Table  1.   Parameters of infrared detection system

    名称相关参数
    工作波长/μm8.0~9.2
    面阵规格640×480
    光学系统的入瞳直径/mm650
    探测器像元尺寸/μm24×24
    有效像元率>99%
    下载: 导出CSV

    表  2  实验一模型检测性能

    Table  2.   Model detection performance of experiment 1

    准确率/%召回率/%调和平均/%检测速度/(s)
    目标状态98.8799.6298.730.921
    下载: 导出CSV

    表  3  实验二模型检测性能

    Table  3.   Model detection performance of experiment 2

    状态准确率/%召回率/%调和平均/%检测速度/(s)
    姿态调整190.8294.0291.940.673
    姿态调整291.2994.3393.160.589
    起旋98.8799.4599.210.421
    旋转92.6695.3993.710.755
    下载: 导出CSV
  • [1] 王建立, 刘欣悦. 智能光学的概念及发展[J]. 中国光学,2013,6(4):437-488.

    WANG J L, LIU X Y. Concept and development of smart optics[J]. Chinese Optics, 2013, 6(4): 437-488. (in Chinese)
    [2] 李宁, 张云峰, 刘春香, 等. 1 m口径红外测量系统的辐射定标[J]. 光学 精密工程,2014,22(8):2054-2060. doi: 10.3788/OPE.20142208.2054

    LI N, ZHANG Y F, LIU CH X, et al. Calibration of 1 m aperture infrared theodolite[J]. Optics and Precision Engineering, 2014, 22(8): 2054-2060. (in Chinese) doi: 10.3788/OPE.20142208.2054
    [3] 许伟琳, 武春风, 逯力红, 等. 基于光谱角时序不变性的红外目标识别[J]. 中国光学,2012,5(3):257-262.

    XU W L, WU CH F, LU L H, et al. IR target recognition based on invariant sequential spectral angle[J]. Chinese Optics, 2012, 5(3): 257-262. (in Chinese)
    [4] 李宁, 杨词银, 曹立华, 等. 3~5 μm红外焦平面阵列的辐射定标[J]. 光学 精密工程,2011,19(10):2319-2325. doi: 10.3788/OPE.20111910.2319

    LI N, YANG C Y, CAO L H, et al. Radiance calibration for 3~5 μm infrared focal plane array[J]. Optics and Precision Engineering, 2011, 19(10): 2319-2325. (in Chinese) doi: 10.3788/OPE.20111910.2319
    [5] 梁华, 宋玉龙, 钱锋, 等. 基于深度学习的航空对地小目标检测[J]. 液晶与显示,2018,33(9):793-800.

    LIANG H, SONG Y L, QIAN F, et al. Detection of small target in aerial photography based on deep learning[J]. Chinese Journal of Liquid Crystal and Displays, 2018, 33(9): 793-800. (in Chinese)
    [6] 陈清江, 张雪, 柴昱洲. 基于卷积神经网络的图像去雾算法[J]. 液晶与显示,2019,34(2):220-227.

    CHEN Q J, ZHANG X, CHAI Y ZH. Image defogging algorithms based on multiscale convolution neural network[J]. Chinese Journal of Liquid Crystal and Displays, 2019, 34(2): 220-227. (in Chinese)
    [7] 周筑博, 高佼, 张巍, 等. 基于深度卷积神经网络的输电线路可见光图像目标检测[J]. 液晶与显示,2018,33(4):317-325.

    ZHOU ZH B, GAO J, ZHANG W, et al. Object detection of transmission line visual images based on deep convolutional neural network[J]. Chinese Journal of Liquid Crystal and Displays, 2018, 33(4): 317-325. (in Chinese)
    [8] 张博, 韩广良. 基于Mask R-CNN的ORB去误匹配方法[J]. 液晶与显示,2018,33(8):690-696.

    ZHANG B, HAN G L. ORB removal mis-matching method based on Mask R-CNN[J]. Chinese Journal of Liquid Crystal and Displays, 2018, 33(8): 690-696. (in Chinese)
    [9] 贠卫国, 史其琦, 王民. 基于深度卷积神经网络的多特征融合的手势识别[J]. 液晶与显示,2019,34(4):417-422.

    YUN W G, SHI Q Q, WANG M. Multi-feature fusion gesture recognition based on deep convolutional neural network[J]. Chinese Journal of Liquid Crystal and Displays, 2019, 34(4): 417-422. (in Chinese)
    [10] HARE S, GOLODETZ S, SAFFARI A, et al. Struck: structured output tracking with kernels[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(10): 2096-2109. doi: 10.1109/TPAMI.2015.2509974
    [11] UIJLINGS J R R, VAN DE SANDE K E A, GEVERS T, et al. Selective search for object recognition[J]. International Journal of Computer Vision, 2013, 104(2): 154-171. doi: 10.1007/s11263-013-0620-5
    [12] 纪超, 黄新波, 刘慧英, 等. 融合连续区域特性和背景学习模型的显著计算[J]. 模式识别与人工智能,2018,31(4):300-309.

    JI CH, HUANG X B, LIU H Y, et al. Fusing continuous region characteristics and background learning model for saliency computation[J]. Pattern Recognition and Artificial Intelligence, 2018, 31(4): 300-309. (in Chinese)
    [13] 辛鹏, 许悦雷, 唐红, 等. 全卷积网络多层特征融合的飞机快速检测[J]. 光学学报,2018,38(3):0315003. doi: 10.3788/AOS201838.0315003

    XIN P, XU Y L, TANG H, et al. Fast airplane detection based on multi-layer feature fusion of fully convolutional networks[J]. Acta Optica Sinica, 2018, 38(3): 0315003. (in Chinese) doi: 10.3788/AOS201838.0315003
    [14] 冯小雨, 梅卫, 胡大帅. 基于改进Faster R-CNN的空中目标检测[J]. 光学学报,2018,38(6):0615004. doi: 10.3788/AOS201838.0615004

    FENG X Y, MEI W, HU D SH. Aerial target detection based on improved faster R-CNN[J]. Acta Optica Sinica, 2018, 38(6): 0615004. (in Chinese) doi: 10.3788/AOS201838.0615004
    [15] 廖祥文, 谢媛媛, 魏晶晶, 等. 基于卷积记忆网络的视角级微博情感分类[J]. 模式识别与人工智能,2018,31(3):219-229.

    LIAO X W, XIE Y Y, WEI J J, et al. Perspective level microblog sentiment classification based on convolutional memory network[J]. Pattern Recognition and Artificial Intelligence, 2018, 31(3): 219-229. (in Chinese)
    [16] 王文秀, 傅雨田, 董峰, 等. 基于深度卷积神经网络的红外船只目标检测方法[J]. 光学学报,2018,38(7):0712006. doi: 10.3788/AOS201838.0712006

    WANG W X, FU Y T, DONG F, et al. Infrared ship target detection method based on deep convolution neural network[J]. Acta Optica Sinica, 2018, 38(7): 0712006. (in Chinese) doi: 10.3788/AOS201838.0712006
  • 加载中
图(10) / 表(3)
计量
  • 文章访问数:  880
  • HTML全文浏览量:  515
  • PDF下载量:  71
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-06-14
  • 修回日期:  2019-08-12
  • 刊出日期:  2020-06-01

目录

    /

    返回文章
    返回