Infrared Armored Target Detection Based on Edge-perception in Deep Neural Network
-
摘要: 装甲目标自动检测一直是红外制导领域的研究热点与难点。解决该问题的传统方法是提取目标的低层次特征，并对特征分类器进行训练。然而，由于传统的检测算法不能覆盖所有的目标模式，在实际应用中的检测性能受到限制。本文受边缘感知模型的启发，提出了一种基于边缘感知的改进深度网络，该网络是通过边缘感知融合模块提升装甲轮廓精度，利用特征提取模块和上下文聚合模块的优势，能够更好地适应目标的形态变化，具有较高的检测与识别的精度。验证结果表明，本文提出的装甲检测网络模型可以有效地提高红外图像中装甲的检测与定位精度。Abstract: Automatic detection of armored targets has always been the most challenging problem in the field of infrared guidance. Traditional models address this problem by extracting the low-level features of an object and then training the feature classifier. However, because traditional detection algorithms can not cover all object patterns, the detection performance in practical applications is limited. Inspired by the edge-aware model, this study proposes an improved deep network based on edge perception. The network improves the accuracy of the armored contour through an edge-aware fusion module. By exploiting he advantages of the feature extraction module and context aggregation module, it can better adapt to the shape changes of objects and has high detection and recognition accuracy. The results show that the proposed armored detection network model can effectively improve the accuracy of detection and positioning in infrared images.
-
Keywords:
- armored vehicle /
- infrared image /
- target detection /
- edge perception /
- homing missile /
- pyramid pooling
-
0. 引言
由于飞机在飞行时，光学载荷也在随之运动，当飞机突然加速或者减速时，由于惯性的作用载荷会受到加速度等约束的冲击，对设备或结构会产生破坏性的影响，特别是超过设备的允许范围，会减少设备的使用寿命。因此，对设备引入隔振系统，减少各种约束对设备的冲击，阻断振动的路径。特别是相机组件，如果对振动敏感，会影响相机的成像质量，造成图像模糊、扭曲等[1]。
在众多减震器中，钢丝绳减震器以其非线性的特性而闻名，其具有低固有频率、良好的干摩擦特性，大变形刚度软化，宽频隔振，耐高低温，可以承受剪切、横滚和拉压载荷，兼顾了弹性支撑元件隔振，并且成本低，安装方便[2]，广泛应用于车载、航空航天、舰载等领域[3-4]。
目前，常用的减震器为橡胶减震器，但其容易受温度、环境和化学溶剂的影响，导致减震器性能降低。橡胶老化，容易松弛，使用寿命短。针对橡胶减震器的不足，国内很多学者对钢丝绳减震器做出诸多研究，如张春晖等人[5]设计一种带球形导向结构的钢丝绳减震器，解决横滚和剪切时的受力不均。王平[6]分析一种带钢丝绳减震器的风机系统，利用有限元来研究风机的抗震性能。
本文设计一种适用于大负载（一种相对的含义，光学负载一般都是100 kg以内，本文应用的光学负载为120 kg）结构的钢丝绳减震器，通过钢丝绳的伸缩变化减少内部结构组件所承受的缓冲力，增加结构的使用寿命。
1. 钢丝绳减震器的理论分析
根据振动力学表述，钢丝绳减振系统的动力学模型的一般表达式为：
$$\boldsymbol{m} \ddot{x}+\boldsymbol{c} \dot{x}+\boldsymbol{k} x=f(t)$$ (1) 式中：x(0)＝x0，ẋ(0)=ẋ0为初始位移和初始加速度；ẍ、ẋ、x是系统的输入，分别表示为加速度、速度、位移；m、c、k是系统的参数，分别表示系统的质量矩阵、阻尼矩阵以及刚度矩阵；f(t)表示系统的外激励，是系统的输入量。
系统的输入不同，研究内容会有所差别。当f(t)＝0时，系统做自由振动，其仅靠本身的弹性恢复力“自由地”振动，其振动的特性仅决定于系统本身的物理特性（质量和刚度）；当f(t)≠0时，系统做受迫振动或自激振动。所谓的受迫振动就是指系统受到外接持续的激励作用从而“被迫地”进行振动，其振动的特性不仅和本身物理特性有关，还受到激励特性影响。在工程中，大部分的运动都属于受迫振动。所谓的自激振动，是指系统自身控制的激励作用下发生的振动。本文主要考虑在自然情况下的实际运动。
这里以单自由度系统为例，对钢丝绳减震器分析，其结构原理如图 1所示。
![]()
图 1 单自由度系统钢丝绳减震器的结构简化模型Figure 1. Simplified structural model of single-degree-of-freedom system wire rope shock absorber对方程(1)化简为无量纲方程，即：
$$\ddot{x}+\frac{\boldsymbol{c}}{\boldsymbol{m}} \dot{x}+\frac{\boldsymbol{k}}{\boldsymbol{m}} x=\frac{f(t)}{\boldsymbol{m}}$$ (2) 式中：σ＝c/(2m)，表示衰减系数；$f=\sqrt{\boldsymbol k / \boldsymbol m} / 2 \pi$，表示圆频率，F(t)＝f(t)/m，表示激励函数。
钢丝绳的阻尼我们不过多考虑，因为钢丝绳本身就具有良好的阻尼特性，通过调整钢丝绳的圈数、压板宽度、弯曲半径等多方面因数，来控制钢丝绳刚度k，从而设计一种适用于大负载的钢丝绳减震器，并让其圆频率f符合挂载的频率范围。
2. 钢丝绳减震器的设计
传统的钢丝绳减震器只考虑其承重的能力，而没有从其结构形式、适用范围等方面考虑，如图 2所示。而本文提出一种的新型钢丝绳减震器，结构合理规范，适用于一类大负载光学载荷，且采用向心（设备的质心）的结构形式，这样有利于彼此之间解耦，避免出现应力集中。
基于此，根据负载需求，设计一种新的钢丝绳减震器，它由上压板、下压板、向心压板、钢丝绳以及锁扣共5部分组成，结构如图 3所示。钢丝绳采用对称的结构形式贯穿于两对压板之间，利用螺钉将钢丝绳固定，其原理是压缩钢丝绳的变形量，对负载实施减振缓冲效果。
钢丝绳减震器主要受钢丝绳的股数、压板宽度、贯穿孔的孔距、钢丝绳的弯曲半径以及加工的误差等多方面误差的影响。这里我们设定压板宽度为10 mm，锁扣长度为7 mm，钢丝绳直径为4 mm，压板孔距为10 mm，钢丝绳的弯曲半径为15 mm（要在钢丝绳的弯曲半径范围内，一般是钢丝绳直径的1.5~2.5倍）。
3. 钢丝绳减震器的拉伸试验
利用拉伸试验机对减震器做拉伸试验，从而确定减震器的刚度。分别对直径为4 mm、5 mm、6 mm钢丝绳做3个方向的拉伸（X、Y、Z），结果见图 4所示，从而可以确定3个方向的刚度，见表 1。从图 4中可以得出，无论是X、Y、Z哪个方向，初始阶段曲线斜率（即刚度k）陡然增加，随着拉伸（或压缩）的距离逐渐增加的时候，曲线斜率的增幅逐渐减弱，这符合钢丝绳减震器这一运动状态。且从表 1中的计算结果表明，钢丝绳的3个方向的刚度近似符合Kx: Ky: Kz＝1:1:3，与参考文献[7-8]对钢丝绳减震器静态加载试验描述一致，并为钢丝绳的仿真计算提供刚度参数。
![]()
图 4 不同钢丝绳直径的力与位移曲线Figure 4. Force versus displacement curves for different rope diameters表 1 不同钢丝绳的直径的刚度系数Table 1. Stiffness coefficient of different wire rope diametersKx Ky Kz 6 mm 206.2 184.6 952.7 5 mm 123.7 119.9 399.8 4 mm 60.1 58.8 185.6 4. 带负载的钢丝绳减震器系统分析
根据给定的钢丝绳参数，加工出实物模型，将其应用到120 kg光学机构负载上，光学负载减振系统如图 5所示，在分析时通常都将负载作为集中质量施加在结构的质心中。减震器一共四组，采用组内对称排列，组外均布排列，且每一个均指向质心，如图 6所示。
4.1 模型有限元建模
利用建模软件UG NX10.0对钢丝绳减震器建模，在不影响结构的条件下适当对模型简化。由于模型结构无明显过薄结构，在有限元网格划分中，为了保证仿真结果的准确性，将升降板以及过渡连接板一并加入到分析模型中，且光学负载质量以集中质量的方式加入模型中（位于质心处），其中减振器的设置采用BUSH单元分析，网格采用3D十节点四面体实体单元进行网格划分[9]。该有限元模型见图 7，结构划分单元数量为506218个，节点数为801704个。
4.2 材料的选择
选择减震器和其他结构件的材料时需要考虑承重效果和整体强度。铝合金材料具有良好的加工工艺性，可用车、磨等机械工艺进行加工[10]。此外铝合金材料在轻量化设计方面有着得天独厚的优点，由于升降板体积较大，考虑加工质量、成本等多方面因素，所以选择铝合金作为其主要材料。而减震器和过渡件起着承重的作用，且对材料的抗弯与抗拉性能有着更高的要求。由于不锈钢具有耐腐蚀性能、较高的硬度，因此选择不锈钢作为减震器和过渡件的主要材料。材料属性见表 2所示。
表 2 材料参数Table 2. Material parametersMaterials Elastic modulus/GPa Poisson's ratio Density/(kg/m3) Aluminium alloy 71 0.33 2770 Stainless steel 193 0.31 7750 4.3 静力学分析
升降板、减震器以及过渡件在实际工作状态下，它们起着承重的作用，所以要考虑自身的重力问题，分析其变形情况及其应力分布情况。
根据结构的安装形式，在有限元分析时，对升降板底面施加固定约束，将质量点集中加在4个过渡板正中间的底部位置，使其与实际工况边界条件一致。
在条件约束下，整体结构的变形云图和应力云图如图 8所示，框架的最大变形量3 mm，出现在过渡梁的中间的边缘位置，满足结构承重要求；最大应力为34.3 MPa，位于过渡梁底端与减震器的接触位置，应力值在材料许用应力范围内。
4.4 模态分析
模态分析是分析整体结构动力学特性的有效方法，其通过计算分析得到结构的模态参数，包括各阶相应的频率、振型、刚度等参数，对结构优化设计，避开共振。
对结构分析了前六阶模态，云图见图 9，模态分析结果见表 3。从模态分析可以确定，第三阶振型与实际最为接近，频率为9.81 Hz。根据给定指标，直升机的中转轴转速400转/分，共有4个桨叶，所以其频率为27.3 Hz，其实际振型频率满足光学载荷指标要求，避免共振。
表 3 带负载结构的模态分析结果Table 3. Modal analysis results of loaded structuresModal order Natural
frequency/HzMode description 1 4.25 Rotate around X axis 2 4.25 Second order bending in the XZ plane 3 9.81 Stretch along the Z axis 4 35.35 First order bending in XZ plane 5 37.37 Stretch along Y axis 6 37.38 Stretch along the X axis 5. 结论
本文设计了一种适用于大负载的钢丝绳减震器，并将相应的组件以及减震器进行有限元建模，对该结构进行了静力学分析和模态分析。分析结果表明，在120 kg负载的情况下，最大的变形量为3 mm，最大应力为34.3 MPa，实际模态的振型频率为9.81 Hz，以上参数都满足指标需求。利用拉伸试验计算刚度为结构组件仿真提供更加真实可靠的依据，同时验证该减震器适用于大负载，为以后设计提供了一定参考价值。
-
![]()
图 1 基于边缘感知的目标检测模型框架
Figure 1. Model frameworks of object detection based on edge-aware
![]()
图 6 不同对比算法对不同红外图像的装甲检测的结果，其中(a)-(f)分别代表不同图像
Figure 6. Results of different comparison algorithms for different images, where (a)-(f) respectively represent the different images
表 1 装甲检测结果统计
Table 1 Statistics of detection results
Classification Result Positive TP（True Positive） FP（False Positive） Negative FN（False Negative） TN（True Negative） 
下载: 导出CSV
表 2 不同测试子集的特点
Table 2 Characteristics of different test subsets
Subset Characteristic A The target is fuzzy, the contrast is low, and some turrets are covered. B The armored target is small, and there are many bright areas in the background. C The armor area is large and full of the whole infrared image. D The armor boundary is not obvious and the background is super saturation. E The noise is very large and the internal details of the target are uneven. F The armored target is fuzzy and partially occlused, and some caterpillar bands are coved by weeds.
下载: 导出CSV
表 3 不同测试数据集下检测精度
Table 3 Detection Rates under Different Testing Data Sets
Datasets Models SDD DenseNet ResNet ConvNet YOLO-v2 Proposed A 73.32% 84.34% 86.61% 85.90% 89.15% 90.06% B 62.41% 65.43% 72.15% 77.00% 77.59% 77.14% C 69.12% 73.22% 74.35% 72.24% 77.09% 78.07% D 78.28% 87.08% 89.40% 86.01% 88.36% 89.44% E 51.91% 52.90% 59.75% 59.11% 58.69% 59.58% F 48.65% 51.55% 60.11% 52.17% 60.20 60.21%
下载: 导出CSV
-
[1] 陈国胜, 胡福东, 周成宝, 等. 基于BIRD网络的智能红外全景识别系统[J]. 红外技术, 2018, 40(8): 765-770. http://hwjs.nvir.cn/article/id/hwjs201808008 CHEN Guosheng, HU Fudong, ZHOU Chenbao, et al. Intelligent infrared panoramic recognition system based on BIRD network[J]. Infrared Technology, 2018, 40(8): 765-770. http://hwjs.nvir.cn/article/id/hwjs201808008
[2] 刘博文, 戴永寿, 金久才, 等. 基于空间分布与统计特性的海面远景目标检测方法[J]. 海洋科学, 2018, 42(1): 88-92. DOI: 10.3969/j.issn.1671-6647.2018.01.008 LIU B, DAI Y, JIN J, et al. Long-range object detection on sea surface based on spatial distribution and statistical characteristics[J]. Marine Science, 2018, 42 (1): 88-92 DOI: 10.3969/j.issn.1671-6647.2018.01.008
[3] 骆清国, 赵耀, 俞长贺, 等. 某型装甲车辆红外辐射信号的建模与仿真[J]. 装甲兵工程学院学报, 2019, 33(1): 31-36. DOI: 10.3969/j.issn.1672-1497.2019.01.006 LUO Q, ZHAO Y, YUC, et al. Modeling and simulation of infrared radiation signal of an armored vehicle[J]. Journal of Armored Force Engineering College, 2019, 33(1): 31-36. DOI: 10.3969/j.issn.1672-1497.2019.01.006
[4] DONG X, HUANG X, ZHENG Y, et al. A novel infrared small moving target detection method based on tracking interest points under complicated background[J]. Infrared Phys. Technol., 2014, 65: 36-42. DOI: 10.1016/j.infrared.2014.03.007
[5] HE Y, LI M, ZHANG J, et al. Small infrared target detection based on low-rank and sparse representation[J]. Infrared Phys. Technol. , 2015, 68: 98-109. DOI: 10.1016/j.infrared.2014.10.022
[6] GUO J, Hsia C, LIU Y, et al. Fast background subtraction based on a multilayer codebook model for moving object detection[C]//IEEE Transactions on Circuits and Systems for Video Technology, 2013, 23(10): 1809-1821.
[7] 彭博, 臧笛. 基于深度学习的红外车辆识识别方法研究[J]. 计算机科学, 2015, 42(4): 268-273. PENG Bo, ZANG Di. Vehicle logo recognition based on deep learning[J]. Computer Science, 2015, 42(4): 268-273.
[8] XIA K J, CHENG J, TAO D, et al. Liver detection algorithm based on an improved deep network combined with edge perception[J]. IEEE ACCESS, 2019, 12: 175135-17514. http://ieeexplore.ieee.org/document/8901142
[9] Redmon J, Farhadi A. YOLO9000: Better, Faster, Stronger[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2017: 6517-6525.
[10] YU Z, FENG C, LIU M Y, et al. CASENet: Deep category-aware semantic edge detection[C]// Computer Vision & Pattern Recognition of IEEE, 2017: 1761-1770(doi: 10.1109/CVPR.2017.191).
[11] Neubeck A, Gool L V. Efficient non-maximum suppression[C]// International Conference on Pattern Recognition, IEEE Computer Society, 2006: 850-855.
[12] 焦安波, 何淼, 罗海波. 一种改进的HED网络及其在边缘检测中的应用[J]. 红外技术, 2019, 41(1): 72-77. http://hwjs.nvir.cn/article/id/hwjs201901011 JIAO Anbo, HE Miao, LUO Haibo. Research on significant edge detection of infrared image based on deep learning[J]. Infrared Technology, 2019, 41(1): 72-77. http://hwjs.nvir.cn/article/id/hwjs201901011
[13] 杨眷玉. 基于卷积神经网络的物体识别研究与实现[D]. 西安: 西安电子科技大学, 2016. YANG J. Research and Implementation of Object Detection Based on Convolutional Neural Networks[D]. Xi'an: Xidian University, 2016.
[14] 丁文秀, 孙悦, 闫晓星. 基于分层深度学习的鲁棒行人分类[J]. 光电工程, 2015, 42(9): 21-27. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC201509005.htm DING W, SUN Y, YAN Xiaoxing. Robust pedestrian classification based on hierarchical deep learning[J]. Opto-Electronic Engineering, 2015, 42(9): 21-27. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC201509005.htm
[15] CHEN S, CHEN Z, XU X, et al. Nv-Net: efficient infrared image segmentation with convolutional neural networks in the low illumination environment[J]. Infrared Physics & Technology, 2020, 105: 103184. http://www.sciencedirect.com/science/article/pii/S1350449519310357
[16] HOSANG J, BENENSON R, SCHIELE B. A convnet for non-maximum suppression[C]//German Conference on Pattern Recognition, Cham: Springer, 2016: 192-204.
[17] REDMON J, FARHADI A. YOLO9000: Better, faster, stronger[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, New York: IEEE Press, 2017: 7263-7271.
[18] LIU W, ANGUELOV D, ERHAN D, et al. SSD: single shot multibox detector[C]//European Conference on Computer Vision. Cham: Springer, 2016: 21-37.
[19] HUANG G, LIU Z, VAN DER MAATEN L, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 4700-4708.
[20] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770-778.
计量
- 文章访问数: 320
- HTML全文浏览量: 122
- PDF下载量: 57
