2025《基于Z-net的反无人机目标检测分析案例》2300字.docxVIP

PAGE

PAGE1

基于Z-net的反无人机目标检测分析案例

目录

TOC\o1-3\h\u13354基于Z-net的反无人机目标检测分析案例 1

307781.1课题采用技术路线 1

311971.2制作数据集 4

120141.3k-means聚类 6

142071.4实验过程 11

259711.1.1实验环境 11

20001.1.2训练过程 11

211131.3.2实验结果与分析 12

1.1课题采用技术路线

拟采用的技术路线为：通过高精度神经网络的构建优化算法，降低“低慢小”目标的干扰，同时并提高算法的精度和实时性。根据研究内容实现无人机检测系统用以解决两个对应的关键问题，最终测试该系统是否满足预期性能指标，如果满足则形成最终的无人机目标识别系统，如果不满足则继续分析影响性能的关键因素直到满足性能指标为止，模型构建形式如图1.1所示。

图1.1技术模型的构建

目标检测的核心问题是网络模型的搭建与训练。首先数据样本库中的原始图像不能直接输入到网络中，我们需要将它们调整到任何特定的大小并使它们更清晰；然后用聚类方法代替人工选取的先验值生成预设的锚框大小并对网络训练参数进行设置；接着加载目标检测模型对网络进行初始化并根据构造损失函数进行迭代更新使损失函数收敛得到性能满足要求的目标检测的模型。具体详细的数据库的构建、模型训练和目标检测等三个部分的流程图如图1.2所示。

图1.2模型构建具体详细流程图

1.2制作数据集

数据集是训练网络模型的关键，十分重要，数据集的好坏直接关乎到训练结果的好坏。如果要客观地验证改进网络检测效果如何，我们就需要用自己的数据集对其进行训练测试，而不是使用已经开源的大型数据集（例如VOC数据集、COCO数据集）。

我们首先从网络上爬取鸟（bird）、风筝（kite）、无人机（uav）的图片，总共七千余张，如图4-1。

图1.3数据集

之后使用LabelImg软件制作用于训练网络的xml格式的数据集。标注示意图如图1.4。

图1.4lambelImg标注示意图

Labelimg软件的功能是在原始图片中手动框选出目标，从而产生目标框的x、y、w、h中心点坐标与目标框宽高），并产生一个xml文件，图片的标注信息保存在xml格式的文件中，每张图片都会生成一个相对应的xml格式文件说明如图1.5所示：

图1.5xml文件格式说明

1.3k-means聚类

K-Means算法是广泛应用于深度学习实验。该算法原理通俗易懂，实现起来操作简便，实验效果表现优异。是一种无监督算法。

对于任意数据集，K-Means算法根据各样本之间不同距离的原则，将其分类为不同的簇，簇数用K表示。其中同一个簇的样本点密集一些，而不同簇的样本点分散一些。

若用公式来表示，假设K个簇分别是(C1,C2,...Ck)，

我们的最终目的是将平方误差E得到最小值：

E=∑i=1k∑x∈Ci||x?μi||22E=∑i=1k∑x∈Ci||x?μi||22 （1.1）

其中μi代表第Ci个簇的均值向量（质心），用如下公式表示：

μi=1|Ci|∑x∈Cixμi=1|Ci|∑x∈Cix （1.2）

由于以上公式的最小值很难直接求得，K-Means采用的启发式迭代方法进行计算，原理如图1.6，可以很形象的看出。

图1.6k-means效果图

上图a代表初始样本，暂且令簇数为2。在图b中，我们首先任意选择红蓝两点作为质心，紧接着求其余绿点到红蓝两点各自的距离，离哪个颜色的点更近，就将其标注为该颜色，到此为止，我们已经算是求出所有的样本在经过了一轮的迭代之后各自的类别。接下来我再对新得到的不同颜色的点求各自新的质心点，原先的红点与蓝点的位置就发生了改变，新的红点与蓝点代表两个新的质心。之后不断重复以上过程，直到形成如图f所示的分类效果。但是在实验应用中，我们通常需要多次进行试验的三、四两步，才能得到较好的分类结果。

综上，K-Means聚类算法运行步骤大致如下：

1.随机选择K个聚类的初始质心；

2.对于样本中的任意一个点，分别求它与质心的间隔，之后将它归类于离它最近的那个质心的类别；

3.在重复以上步骤进行迭代的过程中，利用求均值或其余方法来获得各个簇新的质心；

如果质心在不断重复以上过程中，位置的变化低于某个设定值，则认为已经达到既定状态，流程结束，输出结果。

图1.7是所求的本数据集的九个anchorbox尺寸。

图1.7聚类生成尺寸

由于YOLO的原始cfg文件中的anchorsbox尺寸采用的都是统一的默认值，因此我们下一步需要对cfg文件中的默认anchorsbox尺寸进行修改，将原先默认的数