一种基于小样本深度学习的快速毁伤识别和定位方法技术

本发明专利技术提出了一种基于小样本深度学习的快速毁伤识别和定位方法，能够避免定位误差同时显著减少人工标注成本

【技术实现步骤摘要】
一种基于小样本深度学习的快速毁伤识别和定位方法


[0001]本专利技术涉及毁伤识别（靶板是否穿孔）
，具体涉及一种基于小样本深度学习的快速毁伤识别和定位方法
。

技术介绍

[0002]在未来实战中，更加强调对目标的有效打击和毁伤，追求毁伤的精确性和有效性
。
破片是弹药
/
战斗部的主要毁伤元之一，对弹药破片毁伤效果进行精细化评估的需求越来越强烈，通过实施战斗部静爆试验对靶板穿孔数量
、
密度和分布进行识别和检测，进而为建立战斗部精确的威力场提供有效参考
。
传统方法在进行靶板穿孔特征统计时采用人工统计的方法，依靠肉眼识别和统计靶板上孔洞的数量
、
位置及分布情况，效率低下
、
难以进行精确测量且原始数据不易保存
。
因此，如何快速而精确地对靶板毁伤效果进行评估非常重要
。
[0003]目前的靶板穿孔识别和检测方法中，很多采用三维激光扫描技术获得爆破前后的战斗部及靶板点云数据，进一步对点云数据进行处理实现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于小样本深度学习的快速毁伤识别和定位方法，其特征在于，包括如下步骤：步骤1，基于热力图分布生成矫正网络数据集；构建矫正网络并利用矫正网络数据集进行训练，利用训练好的矫正网络对靶板图像矫正；步骤2，对矫正后的靶板图像进行分割，基于分割后的图像构建识别网络数据集；步骤3，构建靶板穿孔识别深度学习网络；利用识别网络数据集进行训练，利用训练后的深度学习网络进行穿孔识别；其中，采用元学习进行穿孔识别深度学习网络的训练；步骤4，穿孔识别的同时，得到每个穿孔在其所在的小图像上的位置坐标；步骤5，若存在同类型新靶板的穿孔识别任务，首先利用训练好的矫正网络对靶板图像进行矫正，然后采用与步骤2相同的方式进行图像分割和识别网络数据集构建，在步骤3构建的深度学习网络及其最佳网络初始参数的基础上，采用元学习更新网络参数，得到适配新新靶板的穿孔识别任务的深度学习网络，最后再使用与步骤4同样的方法对弹孔进行定位，完成快速毁伤识别和定位
。2.
如权利要求1所述的方法，其特征在于，所述步骤2中，对矫正后的靶板图像进行分割，具体方式为：将靶板图像分割为小图像，小图像的尺寸不大于深度学习网络的视觉感受区域；使用边缘保护切割法进行图像分割，具体为：首先确定好分割尺寸，从整个靶板图像的左上角开始分割，得小图像
A
；相邻的小图像边缘确保有相互重叠区域，
A
的临近分割相较于前一张小图像向左或向下平移
l
，
l
定义为分割步长；按照依次平移
l
的方法完成整张靶板的分割；选取
a、b、l
值，使得整张靶板能刚好被切割为多个小图像，其中，
a
和
b
分别为小图像的长和宽，
a、b
根据卷积神经网络的感受野决定，
l
小于
a、b
；基于分割后的图像构建数据集，具体方式为：根据弹孔的分布情况进行弹孔标注，得到数据集；当弹孔在靶板上分布均匀时，选择靠近靶板中部的若干小图像并对其弹...

【专利技术属性】
技术研发人员：熊芬芬，张千晓，李超，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：