针对多尺度目标的轻量级红外目标检测算法

郑璐, 彭月平, 周彤彤

郑璐, 彭月平, 周彤彤. 针对多尺度目标的轻量级红外目标检测算法[J]. 红外技术, 2023, 45(5): 474-481.
引用本文: 郑璐, 彭月平, 周彤彤. 针对多尺度目标的轻量级红外目标检测算法[J]. 红外技术, 2023, 45(5): 474-481.
ZHENG Lu, PENG Yueping, ZHOU Tongtong. A Lightweight Infrared Target Detection Algorithm for Multi-scale Targets[J]. Infrared Technology , 2023, 45(5): 474-481.
Citation: ZHENG Lu, PENG Yueping, ZHOU Tongtong. A Lightweight Infrared Target Detection Algorithm for Multi-scale Targets[J]. Infrared Technology , 2023, 45(5): 474-481.

针对多尺度目标的轻量级红外目标检测算法

基金项目: 

装备综合研究项目 WJ20211A030131

科研单位自主选题研究项目 ZZKY20223105

详细信息
    作者简介:

    郑璐(1998-),女,汉族,浙江金华人,硕士研究生。研究方向:深度学习与目标检测。E-mail:1095496345@163.com

    通讯作者:

    彭月平(1974-),男,汉族,湖北人,工学博士后,教授。研究方向:战场环境建模与仿真。E-mail:1095496345@qq.com

  • 中图分类号: TP391.41

A Lightweight Infrared Target Detection Algorithm for Multi-scale Targets

  • 摘要: 针对现有基于深度学习的红外目标检测算法参数量大、复杂度较高、对多尺度目标检测性能较差等问题,提出了一种针对多尺度目标的轻量级红外目标检测算法。算法以YOLOv3为基础,采用MobileNet V2轻量级骨干网络、设计改进的简化空间金字塔结构(simSPP)、Anchor Free机制、解耦头和简化正负样本分配策略(SimOTA)分别对Backbone、Neck和Head进行优化,最终得到模型大小为6.25 M,浮点运算量2.14 GFLOPs的LMD-YOLOv3轻量级检测算法。在构建的MTS-UAV数据集上mAP达到90.5%,在RTX2080Ti显卡上FPS达到99,与YOLOv3相比mAP提升了2.60%,模型大小为YOLOv3的1/10。
    Abstract: To solve the problems of large parameters, high complexity, and poor detection performance of multiscale targets in the existing infrared target detection algorithms based on deep learning, a lightweight infrared target detection algorithm for multiscale targets is proposed. Based on YOLOv3, the algorithm uses the MobileNet V2 backbone network, simplified spatial pyramid structure (simSPP), anchor-free mechanism, decoupling head, and simplified positive and negative sample allocation strategies (SimOTA) to optimize the backbone, neck, and head, respectively. Finally, LMD-YOLOv3 with the model size of 6.25 M and floating-point computation of 2.14 GFLOPs was obtained. Based on the MTS-UAV data set, the mAP reached 90.5%, and on the RTX2080Ti dataset, the FPS reached 99. Compared with YOLOv3, mAP increased by 11.7%, and the model size was only 1/10 of YOLOv3.
  • 随着航天事业的进步,高精度星敏感器被广泛应用于各种空间遥感器。国内学者针对不同星敏感器的特点进行了相应的热设计。例如,吕建伟和王领华等人针对微型星敏感器组件进行了热设计,并通过仿真和地面试验验证了方案正确性和合理性。得到了以石墨作为导热通路的方案是合理的结论[1]。余成武等人对多探头甚高精度星敏感器进行了热稳定性的详细热设计。仿真分析和地面热试验结果表明,在各种工况下,星敏感器的安装法兰、光学镜头、镜筒的温度都能满足热控指标要求,热稳定性指标也符合任务需求[2]。江帆等人对高分辨率卫星的星敏感器组件进行了仿真分析和试验,使组件在各种极端工况下都能满足热控指标18℃±3℃,并验证了热设计的有效性[3]

    本文所介绍的高精度一体式星敏感器搭载的空间遥感器运行于近地圆轨道,与太阳同步轨道相比,在整个寿命周期内,β角(轨道面与太阳光矢量的夹角)变化的范围很大,在-66°~+66°之间,轨道倾角为41°~43°,轨道高度为400 km,没有固定的阳照面和背照面。该星敏感器直接安装在舱外,相较于舱内更容易受到空间热环境的直接影响[1, 4],在轨运行时,它将直接面对4 K冷黑空间或受到太阳照射。其一体式的结构设计使得星敏感器的热耗更集中,散热设计更困难,加上其发热量更大。而星敏感器高精度的特性对其结构稳定性、热稳定性提出了极高的要求,其中热稳定性决定在轨运行时的定位精度与重复定位精度[4]

    为确保星敏感器在工作时的高精度定位和导航,以及减少环境温度对其定姿精度的影响,本文首先介绍了星敏感器的结构、布局与内热源,对该星敏感器所受的外热流进行了分析,确定了散热面的位置和大小,并根据空间环境进行了热控设计,还进行了热仿真计算以验证星敏感器的热设计是否正确与合理。

    星敏感器采用一体式结构,由遮光罩、光学构件、法兰、支架、电源盒等组成,其中遮光罩、安装法兰、电路盒为铝合金材料,支架为钛合金材料。其结构如图 1所示。

    图  1  星敏感器结构图
    Figure  1.  Star sensor structure diagram

    图 2展示了星敏感器的位置分布情况,其位于空间遥感器主体的-Z偏+Y面。

    图  2  星敏感器位置分布图
    Figure  2.  Position distribution of star sensor

    星敏感器电源盒中的内热源需要长期运行,电源盒内的电路板会产生工作热耗,其值为2.2 W。考虑星敏感器工作时的温度范围,表 1列出了各重要部分的温控指标。

    表  1  重要结构热控指标
    Table  1.  Important structure thermal control index
    Structure Index content Thermal control index
    Installation flange Temperature 20℃±0.5℃
    Lens cone Axial temperature difference <3℃
    Circumferential temperature difference <1℃
    Power supply chassis Temperature <25℃
    下载: 导出CSV 
    | 显示表格

    星敏感器的热源集中在电源盒中,因此在轨工作时发热量较大。为了解决星敏感器电源盒的散热问题,需要在电源盒外部增设散热面,将其产生的热量排散。由于电源盒外部紧挨支架内表面,无法直接将散热面安装在电源盒上。则需要设计散热面的位置。星敏感器的预设散热面位置如图 3所示。

    图  3  星敏感器散热面预设分布图
    Figure  3.  Heat dissipation surface of star sensor preset

    星敏感器的外热流受到飞行轨道、安装布局、飞行姿态的影响,所处空间环境外热流变化复杂,不仅需要考虑空间遥感器工作时所处轨道与姿态,也需要考虑星敏感本身安装位置的影响[5]

    该空间遥感器运行于近地圆轨道,其轨道β角变化范围为-66°~66°。在轨运行姿态复杂多变,进而影响星敏感器外热流大小。

    空间遥感器工作姿态为:阳光照射在+Z面,光轴与天顶夹角为30°,光轴与太阳矢量夹角为120°,+x轴指向地球,轨道β角在-66°~66°的范围内变化,如图 4所示为遥感器高温工况下的工作姿态。

    图  4  空间遥感器在轨高温工况姿态图
    Figure  4.  On-orbit attitude map of space remote sensor

    根据空间遥感器飞行轨道参数分析轨道外热流大小和变化规律,是确定散热面的位置和定义极端工况的重要输入条件[6],并结合散热面表面属性,使用平均吸收热流密度进行表征外热流。利用热分析软件计算出-Z偏+Y面星敏感器关键部位在夏至时刻工作时外热流随β角变化规律,如图 5所示。

    图  5  平均吸收外热流随β变化趋势
    Figure  5.  Available average heat flows with different β

    工作时星敏感器入光口外热流在β角从-60°~0°增大过程中减小,在β角从0°~60°增大过程中曲折增大。预设散热面1,散热面2,散热面3外热流以β角为0°基本呈对称分布且变化趋势相同,随着β角的绝对值增大而增大。则工作时低温工况β角为0°,高温工况β角为66°。

    星敏感器入光口、预设散热面1,散热面2,散热面3工作时高温工况与低温工况下外热流分析如图 6图 7所示。

    图  6  β为0°时平均吸收外热流
    Figure  6.  Available average heat flows when β=0°
    图  7  β为60°时平均吸收外热流
    Figure  7.  Available average heat flows when β=60°

    星敏感器安装在空间遥感器-Z偏+Y面,阳光直射遥感器+Z面,星敏感器由于遥感器主体的遮挡,并不会整体直接受到阳光直射。在β角为-60°~60°时,整体上到达预设散热面2的外热流最小。则预设散热面2为最理想的散热面。但是由于预设散热面2外部支架扶手结构的限制。则应选择到达外热流较小,结构更适合安装散热面的预设散热面1作为星敏感器的散热面。

    针对星敏感器独特的外热流特性,结合内热源的分布情况,总结以下热控难点。

    星敏感器暴露安装在舱外,整体直接受到外热流的影响,内热源长期工作,结构一体化的设计,使其电源盒发热量大,需要计算散热面的大小将电源盒产生的热量进行排散。

    针对上述热控设计难点,保证星敏感器正常工作,为空间遥感器提供高精度的位置与方位导航,采用被动热控和主动热控相结合的热控措施。

    由于星敏感器所处空间环境温度变化复杂,为保证星敏感器内部温度稳定性,防止温度不稳定对星敏感器光学镜头功能的影响,需要进行被动热控设计。

    星敏感器除入光口外,整体包覆多层隔热组件,其中遮光罩采用20单元多层隔热组件,面膜采用白色防原子氧布。支架外表面包覆20单元多层隔热组件,面膜为白色防原子氧布。

    为使星敏感器温度更加稳定,改善其表面的属性。电源盒表面发黑处理,提高表面发射率,遮光罩内侧喷涂黑漆,使其内部红外发射率达到0.85。镜筒前端外表面粘贴黑色聚酰亚胺薄膜,降低镜筒红外发射率。

    电源盒热量来源主要是各个结构的辐射、传导,内部芯片工作时电路板发热。其中内部小电路板发热量为0.6 W,大电路板为1.6 W。

    为使短期工作与长期工作热源均满足温度指标与合理规划热控资源,保证星敏感器内热源产生的热量有效排散,需要计算散热面面积并带入仿真计算进行校核,最终确定散热面的面积。由于无法直接在电源盒开设散热面,需要额外设置散热面。散热面喷涂KS-ZA白漆来增大散热效果,电源盒通过碳导热索将热量传导至散热面,并辐射至外部空间。碳导热索如图 8所示。

    图  8  碳导热索示意图
    Figure  8.  Schematic diagram of carbon heat conduction

    根据外热流与散热面涂层属性,计算散热面吸收热量Q1

    $$ Q_1=Q_{\text {内 }}+\alpha\left(q_1+q_2\right) A+\varepsilon q_3 A $$ (1)

    式中:Q为内热源功耗;α为散热面太阳吸收率;q1为太阳直射的到达外热流密度;q2为阳光反照的到达外热流密度;ε为散热面表面发射率;q3为地球红外的到达外热流密度;A为散热面面积。

    散热面散出的热量Q2为:

    $$ Q_2=A \varepsilon \sigma T^4 $$ (2)

    式中:σ为斯特藩-玻尔兹曼常数,其值为5.67$ \times $10-8 W/(m2$ \cdot $K4)[7]

    当热平衡时,有:

    $$ Q_1=Q_2 $$ (3)

    通过仿真计算可得到,散热面面积为8936 mm2

    主动热控是在被动热控的基础上进一步提高并维持温度水平的热设计方法,采用加热片加热的方式控制内部组件温度,使星敏感器在低温工况下也满足控温指标。

    根据星敏感器的控温指标,需要对星敏感器镜筒,镜头电源盒等部位进行控温。但此类结构因设计需要,不能直接在外表面粘贴加热片,则设计在遮光罩后段靠近镜筒区域布置加热区,控温传感器粘贴在安装法兰上,通过辐射对镜筒、镜片以及安装法兰进行加热保温。总体热设计如图 9所示。

    图  9  热设计示意图
    Figure  9.  Thermal design diagram

    加热回路采用PI控温法进行控温,当温度低于温度指标时,加热片正常工作,对相应结构进行加热,当温度高于温度指标时,加热片停止工作,直到温度低于温度指标时,加热片再次工作[8-9]。加热片使用聚酰亚胺薄膜型加热片,并使用热敏电阻测控温度。

    根据上述热设计方案,利用有限元软件对星敏感器进行建模,星敏感器主体简化模型如图 10所示,壳单元划分,单元厚度按照等效厚度计算,采用热耦合的方式对模型进行简化,共建立30个热耦合,划分了8428个单元,2个内热源。

    图  10  星敏感器主体有限元模型
    Figure  10.  Finite element model of star sensor body

    根据空间遥感器太阳位置,β角,散热面表面属性,选取了高温与低温两个极端工况,如表 2所示。高温工况选取太阳常数最大的冬至时刻,散热面表面白漆寿命末期属性,低温工况选取太阳常数最小的夏至时刻,散热面表面白漆寿命初期属性。

    表  2  极端工况
    Table  2.  Extreme conditions
    Solar position β Heat sink surface coating surface properties
    High temperature
    working condition
    Winter
    solstice
    60° End period
    Low temperature
    working condition
    Summer
    solstice
    Initial period
    下载: 导出CSV 
    | 显示表格

    根据上述工况定义,利用仿真软件计算近地轨道高精度一体化星敏感器在高温工况与低温工况下的温度结果,单轨结束时各重要部分温度分布云图与温度变化曲线如图 11图 12所示。

    图  11  低温工况温度分布云图与温度变化曲线
    Figure  11.  Low temperature distribution clouds and temperature variation curves
    图  12  高温工况温度分布云图与温度变化曲线
    Figure  12.  High temperature distribution clouds and temperature variation curves

    从仿真结果图可以看出,星敏感器在温度稳定后安装法兰温度为19.82℃~20.10℃,镜头组件温度18.67℃~21.86℃,镜头轴向温差小于2.23℃,周向温差小于0.48℃,电路盒温度为19.10℃~23.49℃,均满足热控指标要求。

    本文针对一种近地轨道一体式星敏感器进行详细的热设计,分析了星敏感器外热流变化规律,计算了近地轨道舱外安装一体式星敏感器散热面的大小。仿真分析结果表明,极端工况下星敏感器安装法兰的温度范围小于20℃±0.5℃,镜头轴向温差小于3℃,周向温差小于1℃,电路盒温度低于25℃,均满足热控指标要求,验证了热设计的有效性。文中的热设计思路及方法可借鉴于近地轨道各类星敏感器的热设计。

  • 图  1   YOLOv3网络结构

    Figure  1.   YOLOv3 network structure

    图  2   LMD-YOLOv3网络结构

    Figure  2.   LMD-YOLOv3 network structure

    图  3   SPP模块结构

    Figure  3.   The structure of SPP

    图  4   MTS-UAV数据集部分图片

    Figure  4.   Part of data set MTS-UAV

    图  5   损失函数曲线图

    Figure  5.   Loss function graph

    图  6   P-R曲线图

    Figure  6.   P-R graph

    图  7   检测结果可视化

    Figure  7.   Visualization of test results

    表  1   SimSPP模块在YOLOv3算法上实验结果对比

    Table  1   Comparison of experimental results of SimSPP module on YOLOv3 algorithm

    Model Recall mAP FPS FLOPs Params
    YOLOV3 90.70% 87.90% 74 12.41G 61.52M
    YOLOV3+
    SPP
    90.90% 88.60% 71 12.57G 64.15M
    YOLOV3+
    SPPA
    90.20% 88.00% 73 12.51G 63.10M
    YOLOV3+
    SPPB
    90.60% 88.50% 72 12.51G 63.10M
    YOLOV3+
    SPPC
    90.90% 88.30% 72 12.51G 63.10M
    下载: 导出CSV

    表  2   SimSPP模块在YOLOX-s算法上实验结果对比

    Table  2   Comparison of experimental results of SimSPP module on YOLOX-s algorithm

    YOLOX-S YOLOX-SA YOLOX-SB YOLOX-SC
    mAP 80.90% 80.70% 80.90% 80.60%
    FPS 84 90 91 91
    下载: 导出CSV

    表  3   LMD-YOLOv3消融实验结果对比

    Table  3   LMD-YOLOv3 comparison of ablation experiment results

    Recall mAP FPS FLOPs Params
    Experiment 1 90.70% 87.90% 74 12.41G 61.52M
    Experiment 2 90.60% 88.50% 72 12.51G 63.10M
    Experiment 3 91.20% 90.40% 74 11.19G 46.20M
    Experiment 4 91.20% 90.50% 99 2.14G 6.25M
    下载: 导出CSV

    表  4   横向实验结果对比

    Table  4   Comparison of horizontal experimental results

    Recall/% mAP/% FPS FLOPs/G Params/M
    YOLOv3 90.70 87.90 74 12.41 61.52
    YOLOv4 85.57 86.99 70 11.30 63.9
    YOLOX-s 88.20 80.90 84 2.13 8.94
    Faster-RCNN 81.60 81.30 49 26.24 41.12
    LMD-YOLOv3 (Ours) 91.20 90.50 99 2.14 6.25
    下载: 导出CSV
  • [1]

    Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014: 580-587.

    [2]

    Girshick R. Fast R-CNN[C]//Proceedings of the IEEE International Conference on Computer Vision, 2015: 1440-1448.

    [3]

    Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. Advances in neural Information Processing Systems, 2015, 28: 91-99.

    [4]

    LIU W, Anguelov D, Erhan D, et al. SSD: Single shot multibox detector[C]//European conference on computer vision., 2016: 21-37.

    [5]

    Bochkovskiy A, WANG C Y, LIAO H Y M. Yolov4: Optimal speed and accuracy of object detection[J/OL]. arXiv preprint arXiv, 2020, https://arxiv.org/abs/2004.10934

    [6]

    WANG C Y, Yeh I H, LIAO H Y M. You Only Learn One Representation: Unified Network for Multiple Tasks[J/OL]. arXiv pre-print arXiv, 2021, https://arxiv.org/abs/2105.04206.

    [7]

    GE Z, LIU S, WANG F, et al. Yolox: Exceeding yolo series in 2021[J/OL]. arXiv preprint arXiv, 2021, https://arxiv.org/abs/2107.08430.

    [8]

    LIU M, DU H, ZHAO Y, et al. Image small target detection based on deep learning with SNR controlled sample generation[M]//Current Trends in Computer Science and Mechanical Automation, 2018: 211-220.

    [9]

    LIN Liangkui, WANG Shaoyou, TANG Zhongxing. Using deep learning to detect small targets in infrared oversampling images[J]. Journal of Systems Engineering and Electronics, 2018, 29(5): 947-952. DOI: 10.21629/JSEE.2018.05.07

    [10]

    ZHAO D, ZHOU H, RANG S, et al. An adaptation of CNN for small target detection in the infrared[C]//IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium, 2018: 669-672.

    [11] 谢江荣. 基于深度学习的空中红外目标检测关键技术研究[D]. 上海: 中国科学院大学(中国科学院上海技术物理研究所), 2019.

    XIE Jiangrong. Research on Key Technologies of Air Infrared Target Detection Based on Deep Learning[D] Shanghai: University of Chinese Academy of Sciences (Shanghai Institute of Technical Physics, Chinese Academy of Sciences), 2019.

    [12]

    FAN M, TIAN S, LIU K, et al. Infrared small target detection based on region proposal and CNN classifier[J]. Signal, Image and Video Processing, 2021, 15: 1927-1936. DOI: 10.1007/s11760-021-01936-z

    [13] 张凯, 刘昊, 杨曦, 等. 基于关键点检测网络的空中红外目标要害部位识别算法[J]. 西北工业大学学报, 2020, 38(6): 1154-1162. DOI: 10.3969/j.issn.1000-2758.2020.06.003

    ZHANG K, LIU H, YANG X, et al. Key position recognition algorithm of aerial infrared target based on key point detection net-work [J]. Journal of Northwest University of Technology, 2020, 38(6): 1154-1162 DOI: 10.3969/j.issn.1000-2758.2020.06.003

    [14]

    Redmon J, Farhadi A. Yolov3: An incremental improvement[J/OL]. arXiv preprint arXiv, 2018, https://arxiv.org/abs/1804.02767.

    [15]

    Howard A, Zhmoginov A, CHEN L C, et al. Inverted residuals and linear bottlenecks: Mobile networks for classification, detection and segmentation[J/OL]. Computer Science, 2018, https://arxiv.org/abs/1801.04381v2.

    [16]

    Howard A G, ZHU M, CHEN B, et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications[J/OL]. arXiv preprint arXiv, 2017, https://arxiv.org/abs/1704.04861.

    [17]

    HE K, ZHANG X, REN S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2015, 37(9): 1904-1916. DOI: 10.1109/TPAMI.2015.2389824

图(7)  /  表(4)
计量
  • 文章访问数:  175
  • HTML全文浏览量:  57
  • PDF下载量:  44
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-06-04
  • 修回日期:  2022-06-22
  • 刊出日期:  2023-05-19

目录

/

返回文章
返回