(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210834491.4 (22)申请日 2022.07.14 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 刘凯　曾嵘浩　杜伟森　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 田文英　王品华 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的目标打击效果评估方法 (57)摘要 本发明公开了一种基于深度学习的目标打 击效果评估 方法， 旨在解决现有技术仅仅适用于 水炮的打击效果评估， 对于其他非流体武器， 射 流与其他刚体具有较大差异的问题， 以及只考虑 到最终的打击效果， 没有做到过程中的实时打击 状态分析的问题。 本发明的实现步骤包括： 生成 模拟打击红外目标的训练集和测试集； 训练卷积 神经网络CSPDarknet 53； 对测试集的每张图片进 行目标检测； 更新状态机中目标信息； 判定每个 被打击目标的打击效果。 本发明具有对于刚体可 以进行准确地分析运动状态的优点和能够实时、 完整提供打击 状态的优点。 权利要求书2页 说明书7页 附图2页 CN 115147684 A 2022.10.04 CN 115147684 A 1.一种基于深度 学习的目标打击效果评估方法， 其特征在于， 更新状态机 中目标信 息， 判定每个被打击目标的打击效果， 该评估方法的步骤 包括如下： 步骤1， 生成模拟打击红外目标的训练集和 测试集： 步骤1.1， 将至少1000张包含被打击目标、 打击目标和爆炸目标共3种目标类型的红外 目标图片组成样本集； 步骤1.2， 对样本集中的每张图片依次进行缩放和通道转换的预处 理； 步骤1.3， 对预处 理后的样本集中每张图片标注目标的类别和位置信息； 步骤1.4， 将标注后的样本集按照3:1的比例生成训练集和 测试集； 步骤2， 训练卷积神经网络 CSPDarknet53： 将训练集中的图片输入到卷积神经网络CSPDarknet53中， 利用反向传播梯度下降法， 迭代更新卷积神经网络的各层参数， 直到损失函数收敛为止， 得到训练好的卷积神经网络； 步骤3， 对测试集的每张图片进行目标检测： 将测试集 中每张图片输入到训练好的卷积神经网络CSPDarknet53中， 输出该张图片中 每个目标的类别和位置； 按照时间顺序， 确认测试集中不同张图片 中相近距离的目标是否 为同一个实际的物体， 将相同目标的类别和位置以帧的形式添加到列表中； 步骤4， 更新状态机中目标信息： 依存入次序依次取列表中的一行， 对每种目标按照类别进行如下的处 理； 步骤4.1， 如果所选行中存在被打击目标， 若被打击目标没有相应状态机， 则为被打击 目标创建状态机， 将状态机中被打击目标的出现帧数设置为1； 若被打击目标有相应状态 机， 将状态机中被打击目标的出现帧数加1， 并用所选行对应被 打击目标的位置更新状态机 中被打击目标的位置； 步骤4.2， 如果所选行中存在打击目标， 若打击目标没有相应状态机， 则使用本行中距 离本打击目标最近的被打击目标 的状态机， 作为本打击目标的状态机， 并将状态机中打击 目标的出现帧数设置为 1； 若打击目标存在相应状态机， 将 状态机中打击目标的出现帧数加 1； 步骤4.3， 如果所选行中存在爆炸目标， 若该爆炸目标没有相应状态机， 则使用本行中 距离本爆炸目标最近的被打击目标的状态机， 作为本爆炸目标的状态机， 并将状态机中爆 炸目标的出现帧数设置为 1； 若爆炸目标存在相应状态机， 将状态机中爆 炸目标的出现帧数 加1； 步骤5， 判定每 个被打击目标的打击效果： 步骤5.1， 遍历更新后的每个状态机， 如果状态机中的被打击目标的连续出现帧数在15 帧以上， 则该状态机进入被打击目标锁定状态； 步骤5.2， 当状态机进入到被打击目标锁定状态以后， 如果打击目标的位置与状态机 中 记录的被打击目标的位置相近， 并且同一打击目标的出现帧数能连续持续10帧以上， 则进 入打击目标锁定状态； 如果同一被打击目标丢失超过20帧以上， 状态机会进入被打击不明 状态； 如果同一打击目标持续超过25 0帧未出现， 状态机进入锁定超时状态； 步骤5.3， 当进入打击目标锁定状态后的状态机进入倒 计后， 如果在40帧以内该状态机 中出现爆炸目标， 并且同一爆炸目标的出现帧数持续10帧以上， 则该状态机进入到爆炸发 生状态； 如果状态机中的倒计时结束， 状态机中仍然没有出现爆炸目标， 则状态机进入到锁权　利　要　求　书 1/2 页 2 CN 115147684 A 2定超时状态， 会立即转换到被打击目标未命中状态； 如果同一被 打击目标丢失超过20帧， 状 态机进入不明状态； 步骤5.4， 当状态机进入到爆炸发生状态以后， 若同一被打击目标坠毁或者击残连续的 出现帧数在10帧以上， 则状态机进入到被打击目标成功命中状态； 若同一被打击目标仍然 存在， 并且连续出现帧数超过20帧， 说明被打击目标逃逸， 则状态机进入到被打击目标未命 中状态。 2.根据权利要求1所述的基于深度学习的目标打击效果评估方法， 其特征在于， 步骤 1.2中所述的预处理指的是， 对样 本集中的每张红外目标图片先 统一缩放到512 ×640大小， 再转换为单通道格式。 3.根据权利要求1所述的基于深度学习的目标打击效果评估方法， 其特征在于， 步骤2 中所述的损失函数为类别损失函数和位置损失函数之和， 其中类别损失函数Loss1的计算 公式如下： 其中， Loss1表示类别损失函数， N表示训练集 中样本的总数， Σ表示求和操作， j表示检 测出的训练集中目标类别的序号， j＝1,2,..m， m表示训练集中目标检测的类别总数， 本发 明的实施例中的共有3种目标类别， 则m＝3， i表示训练集中样本的序号， i＝1,2,..N， pij表 示训练集中第i个样本检测出为第j类的概率； pij表示第i张红外目标图片经过卷积神经网 络CSPDarknet53的运算后输出的为第j类的概 率； 所述位置损失函数L oss2的计算公式如下： 其中， Loss2表示位置损失函数， Pi表示训练集中第i个样本经卷积神经网络 CSPDarknet53输出的预测框的像素面积， Gi表示第i个样本中人工标定的标注框的像素面 积， ∩表示 求交集操作， ∪ 表示求并集操作。权　利　要　求　书 2/2 页 3 CN 115147684 A 3