论文总字数：24282字

摘 要

随着科学技术的快速发展，现代战争形态已经由传统的机械化逐步转向信息化，军事目标因受到包括反导系统在内的先进防御设备保护，其抗击能力得到了极大提升，通常很难在一轮或者几轮波次的进攻中被有效毁伤，及时、准确的毁伤效果评估信息已成为现代战争中的一类必需信息，它一定程度上影响着作战决策和战争进程。因此，快速而准确的目标毁伤检测系统的研究得到越来越多的重视。本文选取陆军常见作战的目标士兵、坦克和武装直升机为研究对象，基于卷积神经网络模型Yolo v3，结合Qt在VS2015、OpenCV环境下实现了阵地目标毁伤检测系统。经过验证，在GPU加速下，系统能快速生成打击目标的毁伤评估意见，为作战指挥机构提供有效的信息。

关键词：目标检测；卷积神经网络；目标毁伤检测

Abstract

With the rapid development of technology, the form of modern warfare has gradually changed from traditional mechanization to informatization. With the evolution of anti-missile systems and other defense equipment, the resistance capabilities of military targets have been strengthened and the target was hard to be effectively attacked. Timely and accurate information on the assessment of the attack effect has become an indispensable type of information in information warfare. It affects the command and decision-making and the progress of the war to a certain extent. Research on target damage detection systems has received more and more attention. This paper aims at the common combat target soldiers, tanks and military helicopter as the research objects, based on Yolo v3, a single-step convolutional neural network, combined with Qt to achieve the damage detection and evaluation system in VS2015 and OpenCV. After verification, the system can quickly generate damage assessment conclusions and provide timely and effective reference information for the command system.

Key Words：Target detection; convolutional neural network; target damage detection

目 录

第1章 绪论 1

1.1 研究背景与意义 1

1.2 国内外研究现状 2

1.3 课题研究内容与预期目标 2

第2章 数据集收集及图像预处理 3

2.1 数据集收集及标注 3

2.2 暗通道先验去雾算法 5

2.3 图像增强处理 7

2.4 本章小结 8

第3章 基于卷积神经网络的目标识别模型建立及训练 9

3.1 卷积神经网络YOLO V3的原理 9

3.2 模型结构及本地实现 10

3.3 模型训练及性能评估 12

3.4 本章小结 14

第4章 阵地目标毁伤检测系统设计与实现 15

4.1 系统整体设计 15

4.2 系统各模块实现 16

4.2.1 图像、视频输入模块 16

4.2.2 目标检测模块 18

4.2.3 评估信息生成模块 20

4.2.4 UI及窗口逻辑设计 20

4.3 系统效果评估 21

4.4 本章小结 22

第5章 结论 23

5.1 工作总结 23

5.2 工作展望 24

致谢 25

参考文献 26

附录 27

第1章 绪论

1.1 研究背景与意义

随着人类步入信息时代，现代战争形态已经由传统的机械化逐步转向信息化，战争目的也由以消灭敌军武装人员、占领城池土地等为主的军事目的，逐步转变为以政治手段为主的快速摧毁重要战略目标、有效打击敌指挥建制系统使其丧失有效组织能力等目标。而随着武器装备工艺的进步以及反导、反火炮系统等防御设备的大规模部署，军事目标的抗击能力显著增强，很难在一轮或者几轮波次的进攻中对目标予以有效毁伤，因此，在一轮打击完成后，有必要对本轮攻击效果进行评估，即通过侦测手段来获取军事目标的毁伤程度，用以决策是否还需要展开下一轮的攻击。对于战场局势复杂、情况多变的现代战争来说，快速、准确的毁伤效果评估信息已经不可少，在一定程度上，它影响着指挥机构的决策和战争进程，因此，快速而准确的目标毁伤检测系统的研究得到越来越多的重视。

在国际上，美军对毁伤效果评估（Battle Damage Assessment，BDA）有如下定义：用致命或非致命军事力量对预定目标予以打击后，快速、精确地评估军事目标的毁伤效果^[1]。而在实际战场中，根据具体的执行规程，毁伤效果评估包含但不限于“对军事目标进行火力打击”、“获取战场侦查图像信息”、“利用信息研判毁伤效果”和“根据结论制定下一步作战计划”四个步骤^[2]。随着该领域研究的不断深入，毁伤效果评估技术发展历程如下：

（1）人工判读法，这也是最早、最原始的评估方式，专业的判读员直接使用望远镜等侦查设备对比目标被打击前后的情况判定毁伤程度，该方法简单可靠，但人力成本高、耗时长，无法适应复杂的现代战争对快速响应的需求。

（2）贝叶斯理论有形毁伤评估法，此方法诞生的时期，已经开始使用机器参与研判，有效利用战区的多种物理信息，速度快，能够根据既定规则得出量化毁伤指标，然而，与人工法相反，该方法仅根据既定的指标机械判断，缺乏灵活性，可靠度一般^[3]。

（3）基于目标检测的毁伤效果检测方案，此方法综合上述方法的优势，以专业人员的实地经验为先验知识，采用图像处理算法、神经网络模型提高检测准确度，使用GPU加快处理速度。但由于实际战场场景复杂，相关数据较为缺乏且大多具有保密要求，评估结果存在一定不稳定性^[4][5]。

虽然基于目标检测的毁伤评估方法的实现仍然存在困难，但随着CG仿真、图像处理技术等领域的发展和GPU等硬件平台算力的跃升，该方法已成为毁伤效果评估领域发展新方向，基于此，本文着手基于目标检测的毁伤效果评估技术进行检测系统的实现。

1.2 国内外研究现状

美军在目标毁伤检测评估领域处于世界领先地位，从传统的点阵雷达探测，到俯视角度的分米级分辨率军事卫星，再到可从多角度观测战场的有人机、无人机协同系统，多种装备所赋予了其强大信息侦察能力。获取战略目标实时信息后，通信系统快速联动毁伤评估系统，最后将结果用于下一步作战计划的制定。

随着“高分”、“尖兵”、“北斗”等卫星的应用，无人军用机研发和退役机型无人化改造的推进，我国在该领域已经取得长足发展，侦察、导航、通信等方面取得较大突破，为毁伤效果评估提供了信息保障。同时，许多科研院也发表著作^[6][7][8]，对几类典型目标毁伤检测系统进行了研究，推动了国内该技术的发展。

国内外学者已经对毁伤检测技术进行研究并取得可喜进展，但仍存在诸多限制，例如：战场环境十分复杂，烟雾等环境给信息提取造成了困难；相关图片涉及领域比较敏感，大多数据有保密限制，有标注的数据集稀缺等。

1.3 课题研究内容与预期目标

本系统针对以下内容展开研究：（1）通过爬虫爬取、人工截取等方式，尽可能多地寻找特征清晰的坦克、武装直升机与士兵图像，完成图像中检测目标位置信息和类型信息的标注。（2）针对战场环境复杂的问题，采用暗通道先验算法^[9]对打击目标后的图像中存在的硝烟和浓雾进行去雾处理，使得特征更加突出，便于后续的模型检测。对于有效数据集稀缺的问题，使用OpenCV进行包括扭曲、加噪、旋转、缩放等在内的图像增强处理，扩大数据集的规模。（3）基于现有的对象检测和识别方法，选择合适的基于卷积神经网络的可见光对象检测与识别模型，利用自构建的标注数据集训练模型。（4）使用Qt在VS2015、OpenCV环境下编写阵地目标毁伤检测演示系统，实现选取本地图片、视频并完成GPU加速下的目标检测，输出毁伤评估信息功能。

通过对以上问题的研究，预期在本地实验平台（Windows10、CPU：i7-9750H、GPU：GTX1660ti）完成数据集建立、标注，通过OpenCV对数据集部分图片进行去雾、图像增强处理，完成卷积神经网络的训练，使用Qt建立阵地目标毁伤检测演示系统，实现针对阵地目标毁伤图片信息，快速准确生成评估信息的需求。

第2章 数据集收集及图像预处理

“更多的数据比更好的算法更重要”，数据集的规模决定了识别率的高低，具有典型特征的数据越多、其本身的质量越高，最终识别的结果越准确。而由于军事目标相关图像的特殊性和保密性，几乎不存在公开的有标注数据集，网络上相关图片数量不多，而且图片本身内容十分杂乱，尤其是目标被打击后图像。如果只利用能搜集到的真实图像数据进行实验研究，训练出的模型表现效果将十分有限。因此，基于卷积神经网络的毁伤效果评估系统中，目标被毁伤前后数据的获取以及图像预处理是后续模型训练的前提。

本文通过暗通道先验去雾算法，凸显了图片信息中被打击后军事目标的特征，提升了该类数据的质量，同时使用图像增强相关技术，通过扭曲、加噪、旋转、缩放等方式制作出大量目标被毁伤后图像用于实验研究。

本章首先介绍阵地目标毁伤系统数据集的收集与标注，然后研究暗通道先验去雾、图像增强等预处理方法。

2.1 数据集收集及标注

准确的阵地目标毁伤检测识别是建立在大量图像训练的基础上完成的，对于本项目，则需要收集足够多的士兵、坦克、武装直升机图片。而对于该三类目标实际处于战场这一特点，单纯的通过检测目标是否被火焰或者烟雾覆盖来判断其是否毁伤则会产生许多误判。在正常武装作战中，步枪、坦克和武装直升机开火、发射炮弹时也会产生火焰与烟雾，因此，本数据集的构成为：3类目标，每类分为“起火”、“未起火”2个状态。需要合计标注为6类进行模型训练。然而由于军事目标的特殊性和保密性，符合要求的图像数据中目标被毁伤后的图片数量非常少，一般只能通过使用搜索引擎获取少量公开的真实毁伤效果图像，而模型识别效果需要大量的高质量样本图像数据的训练来保证，少量图像很难验证模型的鲁棒性和适用范围，而且为了提高该模型在训练集中的表现，必须提高训练轮数，这样还会增加过拟合的风险。因此，毁伤效果评估技术的研究通常会选取仿真图像与实拍图片协同使用的方式进来行。近年来，随着CG技术的发展，影视作品的拟真水平越来越高，很多人工制作的场景已经与现实无异，因此，收集除去从搜索引擎上以“士兵”、“坦克”、“武装直升机”、“坦克 起火”等关键词使用Python爬虫爬取的图片外，其余图片均为人工从战争纪录片、电影等影视作品中截取，为确保每个类都得到充分的训练，共收集了776张原始图片，并确保每个类的训练图片在100张以上。

请支付后下载全文，论文总字数：24282字

相关图片展示：