CN113447902A - 一种基于机器学习的对海监视雷达目标识别方法 - Google Patents
一种基于机器学习的对海监视雷达目标识别方法 Download PDFInfo
- Publication number
- CN113447902A CN113447902A CN202110684658.9A CN202110684658A CN113447902A CN 113447902 A CN113447902 A CN 113447902A CN 202110684658 A CN202110684658 A CN 202110684658A CN 113447902 A CN113447902 A CN 113447902A
- Authority
- CN
- China
- Prior art keywords
- neural network
- machine learning
- sea
- ship
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 67
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000011176 pooling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于机器学习的对海监视雷达目标识别方法，包括如下步骤：S01，采集路口不同场景下的对海雷达探测信息，形成回波监视画面；S02，将对海雷达回波监视画面进行截图，形成图像信息数据；S03，对S02获得数据进行预处理，作为训练样本，构建训练集、测试集；S04，构建基于多任务卷积神经网络的机器学习模型；S05，用S02得到的训练集和测试集对S03得到的机器学习模型进行训练，得到合适的模型参数；S06，将S02得到的对海雷达回波监视画面数据输入到S05训练好的机器学习模型进行分类，识别船舶目标并定位和判断数量。本发明通过对对海雷达回波数据形成的图像进行处理，实现目标识别和分类，具有通用性和高效性的优点。
Description
技术领域
本发明涉及对海雷达探测监视技术领域，尤其是一种基于机器学习的对海监视雷达目标识别方法。
背景技术
对海监视雷达用于警戒、搜索、监视与识别海上目标，可用于港口船舶状态监视、船舶移动引导、行船导航，增强相关单位的监视能力。传统方法主要基于信号处理方法，通过实测数据与仿真分析部署区域的海杂波特性分布情况，设计合适的海杂波抑制方法实现对杂波背景中有用目标的有效检测，已能对杂波进行抑制并对目标进行检测，但仍可以在以下方面进行增强：须对部署区域的杂波进行数据统计分析，部署前须进行设备调教，设备部署应用效率不高，且调教性能对应用后的识别性能影响明显；另一方面，监视时仍主要依靠人工经验进行目标判别，值班时间过长会造成判断正确率的下降，同时，不同值班人员的判断能力也有差异，特别是在云、雨、雾等气象条件复杂的情况下，目标识别准确率难以保证，目标识别不具备一致性和通用性。
机器学习具有强大的特征提取、表达和分类能力，通过对数据样本的学习和训练，实现模型自动化抽取关键特征，从而实现高速、准确的识别分类，同时，为不同场景下依据通用、一致的判别准则进行目标识别提供了可能。现有技术中，亟需一种能够将机器学习应用到对海监视雷达的目标识别应用中，能够实现高效、通用的船舶目标识别。
发明内容
本发明所要解决的技术问题在于，提供一种基于机器学习的对海监视雷达目标识别方法，实现目标识别和分类，具有通用性和高效性的优点。
为解决上述技术问题，本发明提供一种基于机器学习的对海监视雷达目标识别方法，包括如下步骤：
S01，采集路口不同场景下的对海雷达探测信息，形成回波监视画面；
S02，将对海雷达回波监视画面进行截图，形成图像信息数据；
S03，对S02获得数据进行预处理，作为训练样本，构建训练集、测试集；
S04，构建基于多任务卷积神经网络的机器学习模型；
S05，用S02得到的训练集和测试集对S03得到的机器学习模型进行训练，得到合适的模型参数；
S06，将S02得到的对海雷达回波监视画面数据输入到S05训练好的机器学习模型进行分类，识别船舶目标并定位和判断数量。
优选的，S03中，对S02获得数据进行预处理具体为：将对海雷达回波监视画面转换为灰度图，通过人工标记的方式对每一张灰度图中的船舶目标数量进行标识，其中：包含一艘船的标记为“1”，包含两艘船的标记为“2”，以此类推，形成不同场景下船舶目标数量图像信息的样本。
优选的，不同场景包括船舶体积、天气、背景、船舶移动速度。
优选的，S04中，构建基于多任务卷积神经网络的机器学习模型包括三个神经网络，三个神经网络将输入的原始图片缩放至不同尺寸，对每个尺寸的图片分别通过神经网络进行计算，兼顾图片中不同大小的目标形态。从而实现基于统一尺度对图片中不同大小的船舶目标进行检测，并对船舶目标数量进行分类。
优选的，三个神经网络分别为第一神经网络、第二神经网络和第三神经网络，第一神经网络、第二神经网络和第三神经网络的输入分别是4×4的2通道图像、8×8的2通道图像和16×16的2通道图像，用于判断这个网络中是否有船舶目标，并给出位置框和关键点位置，第一神经网络、第二神经网络和第三神经网络的输出均由3部分组成，包括是否包含船舶目标、船舶目标所在区域和图像中包含的船舶目标数量。
优选的，S05中，用S02得到的训练集和测试集对S03得到的机器学习模型进行训练，得到合适的模型参数具体包括如下步骤：
S051，第一神经网络进行第一遍检测，并将检测结果提交给第二神经网络；
S052，第二神经网络在第一网络筛选的基础上，在扩大的区域进行检测，并将检测结果提交给第三神经网络；
S053，第三神经网络在第一神经网络和第二神经网络筛选的基础上，进一步扩大区域进行检测，最后做出分类判别。
优选的，S05中，机器学习模型采用中心损失进行船舶目标数量的分类判别训练收敛，为每一类船舶目标数量的图像指定类别中心，同一类船舶目标数量的图像靠近自己的类别中心，远离其它类别中心。
本发明的有益效果为：本发明采用多任务卷积神经网络构建机器学习模型，通过对对海雷达回波数据形成的图像进行处理，实现目标识别和分类，具有通用性和高效性的优点。
附图说明
图1为本发明的方法流程示意图。
图2为本发明多任务卷积神经网络中第一神经网络的网络结构的示意图。
图3为本发明多任务卷积神经网络中第二神经网络的网络结构的示意图。
图4为本发明多任务卷积神经网络中第三神经网络的网络结构的示意图。
图5为本发明多任务卷积神经网络的训练流程示意图。
具体实施方式
如图1所示，一种基于机器学习的对海监视雷达目标识别方法，包括如下步骤：
步骤一，采集路口不同场景下的对海雷达探测信息，形成回波监视画面。
步骤二，将对海雷达回波监视画面进行截图，形成图像信息数据。
步骤三，对步骤二获得数据进行预处理，作为训练样本，构建训练集、测试集。预处理具体为将对海雷达回波监视画面的图像样本转换为灰度图，通过人工标记的方式对每一张灰度图中的有无船舶目标及数量进行标识，其中：包含一艘船的标记为“1”，包含两艘船的标记为“2”，以此类推，形成不同场景下船舶目标数量图像信息的样本。其中，不同场景包括船舶体积、天气、背景、船舶移动速度。
步骤四，构建基于多任务卷积神经网络的机器学习模型。机器学习模型的输入为步骤二中基于对海雷达回波数据形成的图像信息。基于多任务卷积神经网络的机器学习模型包括三个神经网络，三个神经网络将输入的原始图片缩放至不同尺寸，对每个尺寸的图片分别通过神经网络进行计算，兼顾图片中不同大小的目标形态，从而实现基于统一尺度对图片中不同大小的船舶目标进行检测，并对船舶目标数量进行分类。
三个神经网络分别为第一神经网络、第二神经网络和第三神经网络，上一层神经网络的输出也是下一层神经网络的输入之一，起到过滤作用，提升了网络整体的训练效率和准确性。如图2到图4所示，第一神经网络的输入是8×8×1的数据，首先通过10个3×3的卷积核和2×2的池化处理，生成10个5×5的特征图；其次，通过16个3×3×10的卷积核处理，生成16个3×3的特征图；然后，通过32个3×3×16的卷积核处理，生成32个1×1的特征图，最后，分别通过2个1×1×32、4个1×1×4、10个1×1×32的卷积核处理，得到目标存在判定、目标存在区域、船舶数量分类判断三个输出。
第二神经网络的输入是16×16×1的数据，首先通过28个3×3的卷积核和3×3的池化处理，生成28个7×7的特征图；其次，通过48个3×3×28的卷积核和3×3的池化处理，生成48个4×4的特征图；再次，通过64个2×2×48的卷积核处理，生成64个3×3的特征图，然后，把3×3×64的特征图转换为128尺寸的全连接层，最后，分别接入尺寸为2、4、10的全连接层，得到目标存在判定、目标存在区域、船舶数量分类判断三个输出。
第三神经网络的输入是32×32×1的数据，首先通过32个3×3的卷积核和3×3的池化处理，生成32个15×15的特征图；其次，通过64个3×3×32的卷积核和3×3的池化处理，生成64个10×10的特征图；再次，通过64个3×3×64的卷积核和3×3的池化处理，生成64个4×4的特征图，然后，通过128个2×2×64的卷积核转换为128个3×3的特征图；再然后，把3×3×64的特征图转换为256尺寸的全连接层，最后，分别接入尺寸为2、4、10的全连接层，得到目标存在判定、目标存在区域、船舶数量分类判断三个输出。
如图5所示，机器学习模型的工作包括以下步骤：步骤1，第一神经网络进行第一遍检测，并将检测结果提交给第二神经网络；步骤2，第二神经网络在第一网络筛选的基础上，在扩大的区域进行检测，并将检测结果提交给第三神经网络；步骤3，第三神经网络在第一神经网络和第二神经网络筛选的基础上，进一步扩大区域进行检测，最后做出分类判别。。
机器学习模型采用中心损失进行船舶目标数量的分类判别训练收敛，为每一类船舶目标数量的图像指定类别中心，同一类船舶目标数量的图像应尽可能的靠近自己的类别中心，远离其它类别中心。
步骤五，用步骤二得到的训练集和测试集对步骤三得到的机器学习模型进行训练，得到合适的模型参数；
步骤六，将步骤二得到的对海雷达回波监视画面数据输入到步骤五训练好的机器学习模型进行分类，识别船舶目标并定位和判断数量。
本发明提供一种基于机器学习的对海监视雷达目标识别方法，采用多任务卷积神经网络构建机器学习模型，通过对对海雷达回波数据形成的图像进行目标检测、识别和分类，具有通用性和高效性的优点。
Claims (7)
1.一种基于机器学习的对海监视雷达目标识别方法，其特征在于，包括如下步骤：
S01，采集路口不同场景下的对海雷达探测信息，形成回波监视画面；
S02，将对海雷达回波监视画面进行截图，形成图像信息数据；
S03，对S02获得数据进行预处理，作为训练样本，构建训练集、测试集；
S04，构建基于多任务卷积神经网络的机器学习模型；
S05，用S02得到的训练集和测试集对S03得到的机器学习模型进行训练，得到合适的模型参数；
S06，将S02得到的对海雷达回波监视画面数据输入到S05训练好的机器学习模型进行分类，识别船舶目标并定位和判断数量。
2.如权利要求1所述的基于机器学习的对海监视雷达目标识别方法，其特征在于，S03中，对S02获得数据进行预处理具体为：将对海雷达回波监视画面转换为灰度图，通过人工标记的方式对每一张灰度图中的船舶目标数量进行标识，其中：包含一艘船的标记为“1”，包含两艘船的标记为“2”，以此类推，形成不同场景下船舶目标数量图像信息的样本。
3.如权利要求2所述的基于机器学习的对海监视雷达目标识别方法，其特征在于，不同场景包括船舶体积、天气、背景、船舶移动速度。
4.如权利要求1所述的基于机器学习的对海监视雷达目标识别方法，其特征在于，S04中，构建基于多任务卷积神经网络的机器学习模型包括三个神经网络，三个神经网络将输入的原始图片缩放至不同尺寸，对每个尺寸的图片分别通过神经网络进行计算，兼顾图片中不同大小的目标形态。
5.如权利要求4所述的基于机器学习的对海监视雷达目标识别方法，其特征在于，三个神经网络分别为第一神经网络、第二神经网络和第三神经网络，第一神经网络、第二神经网络和第三神经网络的输入分别是4×4的2通道图像、8×8的2通道图像和16×16的2通道图像，用于判断这个网络中是否有船舶目标，并给出位置框和关键点位置，第一神经网络、第二神经网络和第三神经网络的输出均由3部分组成，包括是否包含船舶目标、船舶目标所在区域和图像中包含的船舶目标数量。
6.如权利要求1所述的基于机器学习的对海监视雷达目标识别方法，其特征在于，S05中，用S02得到的训练集和测试集对S03得到的机器学习模型进行训练，得到合适的模型参数具体包括如下步骤：
S051，第一神经网络进行第一遍检测，并将检测结果提交给第二神经网络；
S052，第二神经网络在第一网络筛选的基础上，在扩大的区域进行检测，并将检测结果提交给第三神经网络；
S053，第三神经网络在第一神经网络和第二神经网络筛选的基础上，进一步扩大区域进行检测，最后做出分类判别。
7.如权利要求1所述的基于机器学习的对海监视雷达目标识别方法，其特征在于，S05中，机器学习模型采用中心损失进行船舶目标数量的分类判别训练收敛，为每一类船舶目标数量的图像指定类别中心，同一类船舶目标数量的图像靠近自己的类别中心，远离其它类别中心。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110684658.9A CN113447902A (zh) | 2021-06-21 | 2021-06-21 | 一种基于机器学习的对海监视雷达目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110684658.9A CN113447902A (zh) | 2021-06-21 | 2021-06-21 | 一种基于机器学习的对海监视雷达目标识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113447902A true CN113447902A (zh) | 2021-09-28 |
Family
ID=77811909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110684658.9A Withdrawn CN113447902A (zh) | 2021-06-21 | 2021-06-21 | 一种基于机器学习的对海监视雷达目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113447902A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048800A (zh) * | 2021-10-21 | 2022-02-15 | 哈尔滨工程大学 | 一种视觉信息海上目标识别多源混合数据集构建方法 |
| CN114419572A (zh) * | 2022-03-31 | 2022-04-29 | 国汽智控(北京)科技有限公司 | 多雷达目标检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-21 CN CN202110684658.9A patent/CN113447902A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048800A (zh) * | 2021-10-21 | 2022-02-15 | 哈尔滨工程大学 | 一种视觉信息海上目标识别多源混合数据集构建方法 |
| CN114419572A (zh) * | 2022-03-31 | 2022-04-29 | 国汽智控(北京)科技有限公司 | 多雷达目标检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109271856B (zh) | 基于扩张残差卷积的光学遥感图像目标检测方法 | |
| CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
| CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
| CN110348304A (zh) | 一种可搭载于无人机的海事遇险人员搜索系统以及目标识别方法 | |
| CN111753677B (zh) | 基于特征金字塔结构的多角度遥感船舶图像目标检测方法 | |
| CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
| CN105574550A (zh) | 一种车辆识别方法及装置 | |
| CN109447979B (zh) | 基于深度学习和图像处理算法的目标检测方法 | |
| CN111179262B (zh) | 一种结合形状属性的电力巡检图像金具检测方法 | |
| CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
| Nayak et al. | Machine learning techniques for AUV side-scan sonar data feature extraction as applied to intelligent search for underwater archaeological sites | |
| CN111583671B (zh) | 一种毫米波雷达路口车流量监测方法及其系统 | |
| CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
| CN110910341A (zh) | 一种输电线路锈蚀区缺陷检测方法及装置 | |
| CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
| CN112348758B (zh) | 一种光学遥感图像数据增强方法及目标识别方法 | |
| CN113447902A (zh) | 一种基于机器学习的对海监视雷达目标识别方法 | |
| CN114693908B (zh) | 一种基于YOLOv5的工业二维码定位方法 | |
| CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、系统及装置 | |
| CN116740528A (zh) | 一种基于阴影特征的侧扫声呐图像目标检测方法及系统 | |
| CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
| CN111814726B (zh) | 一种探测机器人视觉目标检测方法 | |
| CN112733686A (zh) | 用于云联邦的图像中的目标物识别方法及装置 | |
| CN111507249A (zh) | 基于目标检测的变电站鸟窝识别方法 | |
| CN114898290A (zh) | 一种海上船舶实时检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210928 |