地表未爆子彈藥檢測與識別定位技術(shù)研究綜述

摘 要：現(xiàn)代戰(zhàn)爭中，具有偵察、識別、打擊、評估多種功能于一體的遠(yuǎn)程多用途子母彈被廣泛應(yīng)用，隨之將在地表產(chǎn)生大量的未爆子彈藥，對戰(zhàn)場機動、疏散展開及縱深攻擊等作戰(zhàn)行動產(chǎn)生極大的阻礙作用。 地表未爆子彈藥因其特殊的可視特性，利用成像技術(shù)和深度學(xué)習(xí)技術(shù)進(jìn)行遠(yuǎn)距離、大面積、無接觸式快速準(zhǔn)確檢測與識別，在軍事上具有重要的應(yīng)用價值。論文介紹了未爆子彈藥檢測常用方法及優(yōu)缺點，概述了未爆子彈藥在不同成像技術(shù)條件下的成像特點及其識別定位方法，分析了深度學(xué)習(xí)在未爆子彈藥檢測與識別領(lǐng)域的顯著優(yōu)勢， 并提出一種基于深度學(xué)習(xí)的無人機載式地表未爆子彈藥快速檢測與識別定位方法。

關(guān)鍵詞：未爆彈藥； 深度學(xué)習(xí)； 成像技術(shù)； 識別定位

中圖分類號：TJ760

文獻(xiàn)標(biāo)識碼： A

文章編號：1673-5048（2023）05-0001-10

DOI： 10.12132/ISSN.1673-5048.2023.0069

0 引" 言

對落彈區(qū)產(chǎn)生的未爆彈藥識別與定位方式多采用人工搜尋，受作業(yè)人員訓(xùn)練水平、心理因素和作業(yè)環(huán)境等影響較大。作業(yè)人員需要穿戴頭盔、防彈衣等厚重的防護(hù)性裝備，進(jìn)行地毯式搜索，工作量較大，搜尋要求高，且具有較高的風(fēng)險性。由于靶場附近居住的平民對未爆彈藥的類型形狀及其危險性不了解，未爆彈藥排除不徹底出現(xiàn)平民誤拾、誤操作導(dǎo)致被炸身亡的事故案例屢見不鮮。根據(jù)國際禁止地雷運動（ICBL）發(fā)布的年度報告《2022年地雷監(jiān)測》指出，2021年至少有5 544人因地雷或其他戰(zhàn)爭遺留下的未爆彈造成受傷或死亡，大多數(shù)為平民，其中一半是兒童。

因此，迫切需要研制安全、高效的未爆彈藥識別與定位設(shè)備，以提高作業(yè)人員效率和降低人工搜尋未爆彈藥的危險性，確保部隊作業(yè)人員和人民群眾的生命財產(chǎn)安全。

1 未爆彈藥的定義及分類

1.1 未爆彈藥的定義

未爆彈藥（Unexploded Ordnance， UXO）是指在實施各種軍事活動過程中采用投擲、發(fā)射、布設(shè)等方式遺留在自然環(huán)境中沒有發(fā)生爆炸的炸彈、地雷、炮彈、導(dǎo)彈等武器裝備，如圖1所示。這些武器遍布于世界上參與各種戰(zhàn)爭和武裝沖突的大多數(shù)國家和地區(qū)的領(lǐng)土上，在和平時期，各國軍隊在組織實施軍事演習(xí)、實彈訓(xùn)練或武器裝備研發(fā)試驗中也會產(chǎn)生各種類型不同性能的未爆彈藥，由于這些彈藥中仍有爆炸性物質(zhì)存在，且因為有良好的外殼保護(hù)極有可能沒有失效，仍具有爆炸的可能性，危險系數(shù)極高，因此對部隊基地化訓(xùn)練、演習(xí)試驗和人民生命安全產(chǎn)生了極大的安全隱患。

子彈藥是子母彈中用以殺傷有生力量、毀傷裝甲目標(biāo)、布設(shè)地雷等完成毀傷目標(biāo)或其他戰(zhàn)斗任務(wù)的主體部分。根據(jù)其尾翼結(jié)構(gòu)及用途不同可以分為剛性尾翼子彈和柔性尾翼子彈兩種類型，其中柔性尾翼子彈又可細(xì)分為降落傘尾翼子彈和飄帶尾翼子彈。降落傘尾翼子彈主要由戰(zhàn)斗部、引信、穩(wěn)定裝置等部件組成，當(dāng)子母彈飛到目標(biāo)上空時，引信按裝定的時間發(fā)火，點燃拋射藥，依靠拋射藥氣體的壓力打開彈底，拋出子彈彈體，子彈在飛行的過程中穩(wěn)定裝置被打開，使子彈按照預(yù)設(shè)的姿態(tài)穩(wěn)定地飛向目標(biāo)，在引信的作用下引爆戰(zhàn)斗部［1］。

未爆子彈藥是未爆彈藥的一種，屬于集束彈藥中的子彈藥。集束彈藥是一種以戰(zhàn)斗部殼體為母彈，殼體內(nèi)部裝有兩個及以上的子彈，到達(dá)目標(biāo)上空后母彈爆炸拋出子彈，以擊毀或殺傷集群目標(biāo)的常規(guī)彈藥。由于子母彈的特殊結(jié)構(gòu)和用途，在使用過程中其未爆炸率較高。美國是世界上使用子母彈較多的國家之一，2000年美國的一項研究發(fā)現(xiàn)，平均14%的子彈藥沒有爆炸，2018年以后受《特定常規(guī)武器公約》約束才有所改善［2］。雖然國際上已經(jīng)對集束彈藥的子彈引信發(fā)火率提出了高于99%的要求，但是對于一枚裝有幾千枚子彈的集束彈藥，1%的未爆彈率仍可能產(chǎn)生大量的未爆彈藥，極易造成人員傷亡。尤其是一些長時間銹蝕可能造成可靠性降低、性能不穩(wěn)定的未爆子彈藥，在檢測、識別、挖掘、轉(zhuǎn)運、銷毀等過程中如果操作不規(guī)范，可能會造成重大的安全事故，甚至?xí)斐蓢?yán)重的負(fù)面影響。

1.2 未爆彈藥的分類

未爆彈藥的分類方式主要依據(jù)一般彈藥的類型進(jìn)行分類，因彈藥作用方式、作戰(zhàn)目的及其搭載平臺的不同出現(xiàn)了多種多樣的類型，因此未爆彈藥的分類也眾說紛紜。這里介紹兩種比較常見的分類方式： 根據(jù)未爆彈藥的投射形式不同可分為空投式、發(fā)射式、投擲式和布設(shè)式四種類型?？胀妒轿幢瑥検侵笍娘w機或其他航空器上以散布或投放的方式發(fā)射出來但未爆炸的彈藥，包括航空炸彈、子母彈和子彈藥三類［3］； 發(fā)射式未爆彈是指從槍、炮或某種發(fā)射器等武器的身管發(fā)射出來但未爆炸的彈藥，主要類型有炮彈、迫擊炮彈、火箭彈、導(dǎo)彈、槍榴彈等； 投擲式未爆彈是指由作戰(zhàn)人員通過扔、投、擲等方法使其發(fā)出但未爆炸的彈藥，主要包括手榴彈、手雷等； 布設(shè)式未爆彈是指通過戰(zhàn)場布設(shè)的方式設(shè)置但未爆炸的彈藥，一般包括地雷、水雷和爆炸裝置等。根據(jù)未爆彈藥所處的環(huán)境狀態(tài)不同可分為地表未爆彈、地下未爆彈及水下未爆彈。地表未爆子彈藥是地表未爆彈藥的一種，主要特點是因帶有傘降結(jié)構(gòu)，在戰(zhàn)斗部飛越過彈道頂點后在傘降結(jié)構(gòu)的作用下緩慢降落，落在地面上未發(fā)生爆炸而暴露在地球表面。表1為常見未爆彈分類。

2 地表未爆子彈藥快速檢測與識別定位技術(shù)研究現(xiàn)狀

2.1 地表未爆子彈藥檢測技術(shù)

隨著航空炸彈、子母彈、末敏彈等形成未爆彈武器系統(tǒng)的發(fā)展，結(jié)合最新技術(shù)成果，地表未爆子彈藥檢測技術(shù)得到了相應(yīng)的發(fā)展。隨著布撒彈藥在戰(zhàn)場上的廣泛應(yīng)用，1970年后各國普遍認(rèn)識到研究可進(jìn)行大面積快速檢測的未爆子彈藥技術(shù)的重要性，伴隨著計算機技術(shù)的發(fā)展應(yīng)用，基于計算機技術(shù)的智能型探測器普遍得到各國的青睞。根據(jù)檢測方式的不同可將地表未爆彈藥搜尋技術(shù)分為物理檢測技術(shù)、生物檢測技術(shù)和智能檢測技術(shù)。

2.1.1 物理檢測技術(shù)

物理檢測技術(shù)是指利用磁場作用、電磁感應(yīng)、電磁波特性進(jìn)行未爆彈藥檢測的技術(shù)，主要有磁法檢測技術(shù)、電磁法檢測技術(shù)、探地雷達(dá)檢測技術(shù)和紅外檢測技術(shù)。

（1） 磁法檢測技術(shù)。磁法檢測是利用地磁場的作用，鐵磁性的外殼或零部件被磁化后產(chǎn)生感磁和剩磁，反過來在局部影響地磁場，致使實測地磁場與作為正常磁場的主磁場之間存在差異，這種差異即是磁異常，通過精確測量計算異常值可以找到目標(biāo)存在的位置［4-5］。瞬變電磁檢測原理［6］ 如圖2所示。采用磁法檢測技術(shù)設(shè)計的檢測設(shè)備稱為磁力儀，根據(jù)其工作原理不同，可分為基于電磁感應(yīng)原理的磁通門磁力儀、基于核磁共振原理的質(zhì)子磁力儀、基于電子自旋共振原理的光泵磁力儀和基于超導(dǎo)量子干涉原理的超導(dǎo)磁力儀等。加拿大的Doll W E等人與美國橡樹嶺國家實驗室（ORNL）合作開發(fā)的航空磁測系統(tǒng)，當(dāng)平臺飛行高度為1～2 m時與地面磁測的檢測效果接近，但效率相較于地面磁測要高許多［7］。該方法效率高、成本低、檢測深度大，常用于檢測地下或水中較深處的航空炸彈，但對目標(biāo)的空間分辨率低，極易受到金屬雜質(zhì)的干擾，虛警率高。

（2） 電磁法檢測技術(shù)。電磁法檢測是利用金屬外殼或零部件在檢測器激勵電磁場（一次場）的作用下產(chǎn)生渦流效應(yīng)［8］，而形成二次場，二次場隨時間域存在衰減特性，再利用特定的反演算法、目標(biāo)識別算法等獲取目標(biāo)的特征［9］，如圖3所示。

電磁法檢測技術(shù)可分為頻域電磁檢測法和時域電磁檢測法。金屬檢測器多采用頻域電磁檢測法，主要用于檢測地下殘存的地雷［4］。自20世紀(jì)末，美國一些機構(gòu)另辟蹊徑，開始研究時域電磁檢測法，得到了很好的效果。美國橡樹嶺國家實驗室開發(fā)的ORAGS-TEM，其以直升機平臺作為載體，該系統(tǒng)在飛離地面1～2 m，可檢測到口徑為60 mm的照明彈和81 mm的迫擊炮彈［10-11］。該方法具有較強的抗干擾能力，且速度快、可靠性高、操作簡便； 缺點是檢測距離較小，對數(shù)據(jù)算法要求較高。

（3） 雷達(dá)檢測技術(shù)。雷達(dá)檢測是用高頻無線電波來確定介質(zhì)內(nèi)部物質(zhì)分布規(guī)律的一種地理物理方法［12］。利用寬帶電磁波以脈沖形式檢測地下目標(biāo)，通過分析接收天線接收到的目標(biāo)散射及反射后的電磁波，而獲得目標(biāo)性質(zhì)、形狀等特征，如圖4所示。美國勞倫斯國家實驗室（LLNL）［13］、日本東北大學(xué)的Sato M團(tuán)隊［14］使用該方法研制的檢測設(shè)備在試驗中取得了較好的效果。這種方法的優(yōu)點是不但可以檢測金屬目標(biāo)，還可以檢測非金屬目標(biāo)，且檢測精度高、虛警率低； 缺點是受地質(zhì)條件、水分含量、地表植被影響較大。

（4） 紅外檢測技術(shù)。紅外檢測是利用目標(biāo)與周圍環(huán)境不斷進(jìn)行能量交換，檢測提取目標(biāo)到達(dá)傳感器的熱輻射通量，通過特定的算法計算分析目標(biāo)的位置信息［15］。1947年，高萊發(fā)明了一種利用氣體的熱脹冷縮原理制成的紅外探測器，也是世界上第一種實用的紅外探測器（又稱高萊管）。 紅外檢測技術(shù)的發(fā)展分為三個階段，20世紀(jì)40年代至80年代為初級階段，由于第二次世界大戰(zhàn)中飛機的廣泛使用，在紅外檢測、攔截及告警等需求的牽引下，相關(guān)理論及技術(shù)得到了快速發(fā)展，主要特征是一維信號處理［16］； 20世紀(jì)80年代到21世紀(jì)初為中級階段，隨著紅外成像技術(shù)的應(yīng)用，各國看到了初級階段紅外檢測的良好表現(xiàn)，并且由于冷戰(zhàn)軍備競爭和其他軍事上應(yīng)用的迫切需求，各軍事強國迅速將紅外成像基礎(chǔ)技術(shù)研究成果應(yīng)用于軍用衛(wèi)星、飛機、導(dǎo)彈等軍事領(lǐng)域，主要特征是進(jìn)行二維和三維信號處理［17］； 21世紀(jì)初至今為高級階段，隨著紅外凝視成像檢測技術(shù)的發(fā)展，主動式激光雷達(dá)、偏振紅外檢測雷達(dá)得到廣泛應(yīng)用，主要特征是多維信號空間處理和多波段紅外凝視檢測［18］。該方法具有檢測面積大、速度快等優(yōu)點； 缺點是對小目標(biāo)識別準(zhǔn)確率較低，易受環(huán)境干擾。

2.1.2 生物檢測技術(shù)

生物檢測技術(shù)是指利用生物體的感觀特性或其他生物反應(yīng)變化進(jìn)行未爆彈藥檢測的技術(shù)，主要有動物檢測技術(shù)、植物檢測技術(shù)和微生物檢測技術(shù)等。

（1） 動物檢測技術(shù)。動物檢測是指利用動物靈敏的感觀特性檢測未爆彈藥中炸藥組成的技術(shù)。2018年以來，荷蘭動物檢測咨詢公司Schoon A團(tuán)隊使用4只經(jīng)過訓(xùn)練的探雷犬，在總面積1 400 000 m2的14個雷場上，找到了290個疑似地點，發(fā)現(xiàn)了213枚未爆炸物，其正確檢測率為73.4%［19］。這種方法的優(yōu)點是使用探雷犬比人工掃雷速度更快，可以在各種復(fù)雜條件下對炸藥以及其他違禁物品進(jìn)行檢測，除可靠性高、流動性強外， 還可以對爆炸物源頭進(jìn)行追蹤； 缺點是只能對經(jīng)過訓(xùn)練的炸藥成分進(jìn)行檢測，故其檢測的對象有限，且對面積較大的目標(biāo)群檢測效率較低。

（2） 植物檢測技術(shù)。植物檢測是指利用植物在不同環(huán)境中的特殊反應(yīng)而進(jìn)行檢測的技術(shù)。丹麥阿瑞莎生物技術(shù)公司在哥本哈根大學(xué)相關(guān)研究成果的基礎(chǔ)上，經(jīng)過3年的不懈努力，開發(fā)出一種轉(zhuǎn)基因植物，該植物的根部遇到二氧化氮時，植物會從綠色變?yōu)榧t色，以此來檢測泥土中的二氧化氮成分，從而判定未爆彈的位置［4］。這種檢測方法的優(yōu)點是檢測面積大、可靠性高； 缺點是檢測周期較長。

（3） 微生物檢測技術(shù)。微生物檢測是指利用查找寄生在特定環(huán)境條件中的微生物而進(jìn)行檢測的技術(shù)。20世紀(jì)90年代，美國經(jīng)過數(shù)年的研究發(fā)現(xiàn)了一種適合在黑暗環(huán)境中生長，能以爆炸物散發(fā)出來的濃烈氣味為生，同時在炸藥環(huán)境中能夠自然發(fā)光的細(xì)菌。這種檢測方法的優(yōu)點是安全性高、成本低廉； 缺點是受細(xì)菌的生存環(huán)境影響，僅限于夜暗條件下使用。

2.1.3 智能檢測技術(shù)

20世紀(jì)末以來，伴隨著傳感器技術(shù)、計算機技術(shù)和人工智能的快速發(fā)展，各軍事強國紛紛開始研究并應(yīng)用能自主檢測、識別、定位、跟蹤和主動攻擊目標(biāo)的智能地雷，它們具有在不同地域內(nèi)進(jìn)行遠(yuǎn)距離檢測、通信、控制、敵我識別、自主攻擊目標(biāo)，并具有根據(jù)雷場破壞情況進(jìn)行自修復(fù)等功能［20-21］。研究地表未爆子彈藥檢測技術(shù)的科學(xué)家們把研究方向也轉(zhuǎn)向了人工智能領(lǐng)域，為傳統(tǒng)檢測技術(shù)插上了智能的翅膀，形成了一些“人工智能+”模式的智能檢測技術(shù)，并取得了較好的效果。

由于人工智能在數(shù)據(jù)處理方面的優(yōu)異表現(xiàn)，其在檢測技術(shù)上的應(yīng)用主要集中在檢測數(shù)據(jù)的分析處理階段，從大量的數(shù)據(jù)中找到目標(biāo)的特征信息。劉慧等人［22］將激光雷達(dá)傳感器所采集的目標(biāo)航跡三維點云分布數(shù)據(jù)轉(zhuǎn)化為一維目標(biāo)航跡數(shù)據(jù)，采用自適應(yīng)濾波方法對一維目標(biāo)航跡數(shù)據(jù)實施濾波處理，獲取影響激光雷達(dá)目標(biāo)航跡識別結(jié)果的目標(biāo)航跡屬性特征，設(shè)置所獲取的目標(biāo)航跡屬性特征作為遞歸神經(jīng)網(wǎng)絡(luò)輸入，目標(biāo)航跡識別結(jié)果作為遞歸神經(jīng)網(wǎng)絡(luò)輸出，實現(xiàn)激光雷達(dá)目標(biāo)航跡識別，具有較高的識別精度及適應(yīng)能力； 張遠(yuǎn)鵬、王宏偉等人［23-24］利用經(jīng)典機器學(xué)習(xí)分類方法以及神經(jīng)網(wǎng)絡(luò)模型分別對金屬目標(biāo)物的磁感應(yīng)和電磁感應(yīng)數(shù)據(jù)特征進(jìn)行研究，較好地實現(xiàn)了對目標(biāo)和干擾物的區(qū)分和識別，具有較好的識別能力。但是該類方法受檢測技術(shù)的局限性較大，需要進(jìn)行多次信息采集才能獲得可用的目標(biāo)特征信息，對現(xiàn)有的數(shù)據(jù)不能較好地利用，算法模型學(xué)習(xí)不充分，特征提取較少，目標(biāo)識別實時性較差。

為了充分利用現(xiàn)有數(shù)據(jù)，通過采用深度學(xué)習(xí)模型算法對已有目標(biāo)數(shù)據(jù)進(jìn)行反復(fù)學(xué)習(xí)強化，提取目標(biāo)特征信息形成模板，再與目標(biāo)進(jìn)行匹配，從而檢測出目標(biāo)的信息。程思遠(yuǎn)［25］提出了一種基于YOLOv3網(wǎng)絡(luò)模型的深度學(xué)習(xí)算法， 以網(wǎng)絡(luò)結(jié)構(gòu)darknet53作為空對地的紅外面目標(biāo)進(jìn)行特征提取器，引入一種新的注意力機制——空間注意力，訓(xùn)練網(wǎng)絡(luò)模型，完成對紅外面目標(biāo)的識別，通過評價指標(biāo)與仿真結(jié)果發(fā)現(xiàn)，其可以滿足空對地的紅外面目標(biāo)識別算法的高識別率、實時性好的要求。李航、邱凱、高胡琨等人［26-28］將卷積神經(jīng)網(wǎng)絡(luò)模型算法YOLOv3及其改進(jìn)算法desenYOLOv3與可見光檢測技術(shù)結(jié)合用于檢測小目標(biāo)，減少了模型算法的參數(shù)量，有效提高了整個模型的運算速度。該類方法充分利用現(xiàn)有數(shù)據(jù)，提高了目標(biāo)識別的實時性，但是由于檢測目標(biāo)物信息獲取較少，存在目標(biāo)識別精度較低的問題。

2.2 地表未爆子彈藥識別定位技術(shù)

地表未爆子彈藥的識別定位主要以數(shù)字圖像為基礎(chǔ)。當(dāng)一幅圖像的像素和該像素的灰度值都是有限的離散量時，則該圖像被稱為數(shù)字圖像。一般的數(shù)字圖像是基于電磁波譜輻射得到的，常見的是可見光圖像和紅外圖像，其主要利用可見光、紅外和偏振光等成像技術(shù)將目標(biāo)的形狀、大小、顏色等信息映射到顯示介質(zhì)上而獲得的。

2.2.1 常見的地表未爆子彈藥成像技術(shù)

（1） 可見光成像技術(shù)。可見光成像技術(shù)是根據(jù)光的反射和透鏡成像原理，從物體上反射的可見光可以在鏡頭的焦距平面上呈現(xiàn)物體圖像的技術(shù)，通過使用數(shù)字?jǐn)z像機內(nèi)的感光芯片將捕獲的光信號轉(zhuǎn)換為電信號，再經(jīng)過圖像信號處理即可得到數(shù)字圖像［29］。其特點是觀察人員可以清晰地看到圖像中未爆子彈藥的形狀輪廓及顏色信息（如圖5所示），并根據(jù)其所處背景情況分析出所處位置，辨識速度快，識別程度高，但是當(dāng)目標(biāo)被樹木或草叢等其他物體遮擋時或與背景物顏色相似時，通過人眼很難識別出其物理特征，更難以定位。

（2）" 紅外成像技術(shù)。紅外成像技術(shù)是以接收景物自身各部分輻射的紅外線來進(jìn)行檢測，紅外線波段如圖6所示，利用景物自身各部分輻射的差異獲得圖像的細(xì)節(jié)，即把紅外輻射圖像轉(zhuǎn)換為可視圖像的技術(shù)［30］。其特點是由于未爆子彈藥的金屬外殼與環(huán)境背景對紅外電磁波的反射率不同，通過主動紅外成像技術(shù)可以明顯地將金屬物與背景環(huán)境區(qū)分開（如圖7所示），且其不受天氣影響，可以透過云、雨、雪、霧、霾等遮蔽物，但是由于同類金屬對紅外電磁波的反射率一樣，圖像的形狀與金屬的尺寸息息相關(guān)，難以分辨未爆子彈藥的細(xì)節(jié)特征，易受環(huán)境干擾而出現(xiàn)誤識誤判。

（3） 偏振成像技術(shù)。偏振成像技術(shù)是一種利用光波在空間中傳播會出現(xiàn)偏振現(xiàn)象，從不同偏振方向采集目標(biāo)物體表面反射的光進(jìn)行成像的技術(shù)。自然環(huán)境和人造物體的偏振特性具有明顯差異，因此可用偏振攝像機獲取目標(biāo)的反射、輻射光的偏振態(tài)，并利用偏振態(tài)之間的相互關(guān)系獲取偏振度、偏振角等信息，可以提升探測信息的維度［31］。其特點是采用偏振光成像技術(shù)不但可以探測到未爆子彈藥的形狀輪廓及顏色等表征信息（見圖8），還可以獲得相位、強度、光譜、偏振等本征信息，同時對大氣、霧霾和背景噪聲等干擾信息具有抑制作用，大大提高了未爆子彈藥的識別精度，但其系統(tǒng)結(jié)構(gòu)比較復(fù)雜，成像速率比較慢。

2.2.2 地表未爆子彈藥識別定位技術(shù)

（1） 基于物理特征提取的圖像識別定位技術(shù)。物理特征，特別是顏色、形狀等信息，是生物辨識目標(biāo)和背景最常用的方式，因此物理特征信息的提取對于未爆子彈藥的識別定位具有重要的作用。主要有三種定位方式：

a.根據(jù)顏色特征進(jìn)行識別定位的技術(shù)。通過對圖像中的每個像素位置矩陣化，對像素的顏色信息進(jìn)行數(shù)字化處理賦予灰度值，根據(jù)灰度值的大小進(jìn)行分割，這里需要根據(jù)未爆子彈藥的特征先設(shè)定一個臨界灰度值，即閾值，超過閾值的部分設(shè)為前景，低于閾值的部分設(shè)為背景，從而可以將圖像分割開來，去除背景的干擾便可以一目了然地識別出未爆子彈藥，并根據(jù)其像素位置矩陣確定其位置。常用的閾值分割方法有迭代法［32］、直方圖法［33］和大津法［34］。

b.根據(jù)形狀特征進(jìn)行識別定位的技術(shù)。通過在數(shù)字圖像中描繪出各種類物體的輪廓或形狀，并根據(jù)各個形狀的不同查找與目標(biāo)信息相似的全部或局部輪廓形狀，通過人工匹配識別出目標(biāo)信息。常用的形狀特征識別定位方法有邊緣法、形態(tài)學(xué)法、區(qū)域生長法、區(qū)域分離與聚合法等。

c.根據(jù)顏色、形狀等多特征融合進(jìn)行識別定位的技術(shù)。利用單一的顏色或形狀特征雖然可以從圖像中分割出目標(biāo)信息，但是由于顏色特征受光照條件影響較大，形狀特征受背景物遮擋或圖像處理時聚類生長干擾較大，僅靠單一的特征可能難以準(zhǔn)確識別定位出目標(biāo)信息，將兩個或兩個以上的特征融合起來進(jìn)行識別，能夠極大地提高識別定位的精度。

（2） 基于算法的圖像識別定位技術(shù)。隨著計算機技術(shù)的不斷發(fā)展，工程師們開發(fā)出了一些對數(shù)字圖像中的相關(guān)數(shù)據(jù)信息進(jìn)行分類處理的算法，再經(jīng)過人工識別計算，得出目標(biāo)的位置信息。

a. KNN算法。KNN是根據(jù)“物以類聚”思想進(jìn)行分類識別的算法，其原理是利用樣本集中的訓(xùn)練數(shù)據(jù)對特征空間進(jìn)行有監(jiān)督學(xué)習(xí)的劃分，而后計算預(yù)測數(shù)據(jù)與樣本集不同特征值之間的距離，距離越小，代表他們之間的差別越小，屬于同一簇類的概率越大。常用的距離量度方式有閔可夫斯基距離、歐式距離、曼哈頓距離等。

b. K-means算法。K-means［35-36］是一種將一組數(shù)據(jù)劃分為k種分類的算法。在給定樣本A＝｛a1，a2，…，am｝時，K-means算法通過運算得到一個對數(shù)據(jù)A的劃分B＝｛b1，b2，…，bk｝，該劃分使得式（1）盡可能小。

E=∑k1∑a∈bia－ui2（1）

ui=1bi∑a∈bia （2）

式（1）說明了相同簇的樣本圍繞簇中心的緊密程度，E值越小，簇內(nèi)樣本越相似。式（2）是簇bi的聚類中心。

K-means算法通過迭代，尋找式（1）最優(yōu)的近似解。其步驟如下：

第一步： 計算每個樣本點aj與所有聚類中心的距離： dij=aj－ui2，根據(jù)距離最近的聚類中心確定aj的類別，依次確定每個樣本點的類別，形成一種B；

第二步： 重新計算每個簇的聚類中心，更新ui。重復(fù)進(jìn)行第一步。當(dāng)函數(shù)收斂或到達(dá)指定迭代次數(shù)時，終止運算。

c. 分水嶺算法。分水嶺算法是用地形中的坐標(biāo)值代表圖像中的像素位置矩陣，用高程值表示像素點的灰度值，圖像中的局部極小灰度值與其周邊的灰度值形成了一個凹函數(shù)模型，這個凹函數(shù)模型就形成了一個積水盆地。當(dāng)積水盆地里的水不斷上升時，相鄰的積水盆地之間會出現(xiàn)分水嶺，即兩個積水盆地的邊界，從而實現(xiàn)不同性質(zhì)目標(biāo)的分割識別。

以上基于物理特征提取和算法的識別定位技術(shù)，因其主要是利用圖像信息進(jìn)行目標(biāo)識別定位，需提前對圖像進(jìn)行預(yù)處理，分割出前景與背景，再進(jìn)行人工識別判斷，這種方法雖然識別定位精度比較高，但由于需要人在回路進(jìn)行識別和計算，因此識別定位的速度通常比較慢，整個系統(tǒng)程序也較為復(fù)雜。

（3） 基于神經(jīng)網(wǎng)絡(luò)的圖像識別定位技術(shù)。隨著計算機技術(shù)和神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，工程師們開發(fā)出了一些對數(shù)字圖像中的相關(guān)數(shù)據(jù)信息進(jìn)行快速自主聚類分割和匹配識別的系統(tǒng)和算法，不需要或僅需少量的人員參與，便可以識別定位圖像中的目標(biāo)信息。

a. 兩階段神經(jīng)網(wǎng)絡(luò)。兩階段神經(jīng)網(wǎng)絡(luò)是指先對圖像進(jìn)行掃描篩選生成目標(biāo)候選區(qū)域，再與目標(biāo)的像素信息進(jìn)行匹配，識別出目標(biāo)信息。在2012年的Image Net的目標(biāo)檢測賽事［37］上，Hinton教授使用的基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測性能突出，技壓群雄。此后，谷歌團(tuán)隊提出的Inception V4［38］網(wǎng)絡(luò)模型架構(gòu)和微軟團(tuán)隊提出的Res Net［39］網(wǎng)絡(luò)框架因其在目標(biāo)檢測領(lǐng)域具有更加優(yōu)越的準(zhǔn)確率，一度成為應(yīng)用最火熱的兩種檢測模型，但是其分類速度及準(zhǔn)確性仍然達(dá)不到人們的要求。2013年，Papageorgiou C， Dalal N等人提出了基于CNN［37］的深度學(xué)習(xí)模型Over Feat，通過在最后一層的卷積層上做滑窗來實現(xiàn)對目標(biāo)物體的定位與檢測［40-41］。2014年，伯克利大學(xué)的Girshick R等人在基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（Region-based Convolutional Network，R-CNN）［42］的目標(biāo)檢測論文中使用了Region Proposal［43］+CNN的算法框架，使得基于深度學(xué)習(xí)的目標(biāo)檢測相對于傳統(tǒng)方法在精度和速度上取得巨大突破。2015年，He K M等人繼續(xù)對R-CNN進(jìn)行優(yōu)化，提出了空間金字塔池化網(wǎng)絡(luò)架構(gòu)（Spatial Pyramid Pooling net，SPP-net）［44］，實現(xiàn)了任意圖片尺寸的輸入，極大地縮短了對圖片預(yù)處理的時間。2015年，Girshick R等人提出了R-CNN的加速版本Fast" R-CNN［45］，實現(xiàn)了端到端的單級訓(xùn)練過程和多任務(wù)損失函數(shù)，進(jìn)一步提高了目標(biāo)檢測速度。2016年，為了解決目標(biāo)檢測生成候選框［46］區(qū)域的時間瓶頸，Ren S Q等人提出了改進(jìn)方案Faster R-CNN［47］構(gòu)建了區(qū)域生成網(wǎng)絡(luò)（Region Proposal Network， RPN），替代傳統(tǒng)生成候選框區(qū)域的選擇性搜索（Selective Search， SS）［48］的方法，加快了目標(biāo)檢測的速度，但對于實時檢測的要求還有差距。

b. 單階段神經(jīng)網(wǎng)絡(luò)。為了解決實時性的問題，科學(xué)家們將生成候選區(qū)域與像素信息匹配同時并聯(lián)進(jìn)行，提出了單階段神經(jīng)網(wǎng)絡(luò)。2016年，Redmon J和Liu W等人分別提出了YOLO（You Only Look Once）［49］和SSD（Single Shot Multi Box Detector）［50］模型，其思想均為回歸，即在給定的輸入圖像上直接回歸目標(biāo)候選框和目標(biāo)類別，其檢測速度比Faster R-CNN模型提高了10倍，實現(xiàn)了實時的目標(biāo)檢測，但是檢測精度卻有所降低。Fu C Y等人又提出了SSD的改進(jìn)版本DSSD（Deconvolutional Single Shot Detector）［51］，其針對SSD存在的小目標(biāo)檢測不準(zhǔn)確的問題，利用Res Net網(wǎng)絡(luò)和Deconvolution層，增強了對于上下文信息的利用，從而使其對小目標(biāo)有了更好的檢測性能。2017年Lin T Y等人提出了FPN（Feature Pyramid Networks）［52］，其將特征圖進(jìn)行金字塔式的提取和結(jié)合，同時利用了底層特征圖的特征高提取度和高層特征圖的高語義信息，提高了檢測精度。隨后Redmon J對YOLO進(jìn)行改進(jìn)，去掉全連接層和采用多尺度訓(xùn)練策略［53］，引入K-means分類算法，且對每一個卷積層加入歸一化層（Batch Normalization）［54］等，于2017年提出了第二代的YOLO版本YOLO 9000［55］，加快了收斂速度，預(yù)測框的數(shù)量也由2個提高到5個，既提高了YOLO檢測速度，也大大提高了檢測精度; 2018年，使用了更深層的新主干網(wǎng)絡(luò)darknet53代替之前的darknet19，并且引入FPN（Feature Pyramid Network）［52］結(jié)構(gòu)將深層特征與淺層特征融合，又提出了最新一代的YOLOv3［56］，預(yù)測框的數(shù)量也提高到9個，再次提高了目標(biāo)檢測的精度上限。2020年，YOLOv4［57］網(wǎng)絡(luò)問世，相較于YOLOv3版本，采用了CSP-Darknet53主干網(wǎng)絡(luò)，不僅改進(jìn)了模型的訓(xùn)練方式及感受野，同時還引入了注意力機制，通過增加訓(xùn)練成本，提高了檢測效果［58］，使得YOLOv4整體性能都有所提升。YOLOv5版本也在這一年被研發(fā)出來，其主要在輸入端采用Mosaic數(shù)據(jù)增強和自適應(yīng)錨框計算，在CSP結(jié)構(gòu)框架中融入Focus結(jié)構(gòu)，在預(yù)測端引入GIOU-LOSS損失函數(shù)，使得模型更加輕量化，同時也提高了檢測速度和檢測精度［59-60］。

總體來看，兩階段神經(jīng)網(wǎng)絡(luò)與單階段神經(jīng)網(wǎng)絡(luò)在時間發(fā)展上雖有先后（如圖9所示），但是在具體應(yīng)用中卻各有所長，應(yīng)根據(jù)各自特點選擇相適應(yīng)的算法。

地表未爆子彈藥的識別是基于地表未爆子彈藥的結(jié)構(gòu)及所處的位置特性，顯而易見，地表未爆子彈藥相對于空中飛行的無人機具有明顯的可視特征，因此無人機搭載的成像設(shè)備在將其經(jīng)過地域掃描成圖像的同時，也將未爆子彈藥的相關(guān)信息載入其中，位于地面的識別設(shè)備可以利用算法或神經(jīng)網(wǎng)絡(luò)系統(tǒng)對無人機傳回的圖像進(jìn)行拼接、連通、匹配等處理，快速識別出未爆子彈藥的信息，并根據(jù)其在圖像中位置精確計算出其位置坐標(biāo)。

3 地表未爆子彈藥檢測與識別定位技術(shù)發(fā)展

3.1 地表未爆子彈藥檢測技術(shù)未來發(fā)展方向

目前，隨著人工智能技術(shù)、傳感器技術(shù)和圖像識別技術(shù)的不斷發(fā)展，地表未爆子彈藥檢測技術(shù)也有了很大的進(jìn)步，主要集中在以下3個方向：

一是傳感器技術(shù)方向。隨著人類對微機電機械系統(tǒng)、非COMS納米技術(shù)和量子技術(shù)等先進(jìn)技術(shù)的不斷研究應(yīng)用，使得地磁、電磁或超聲波等信息媒介的調(diào)制和解調(diào)更加精細(xì)、快速和準(zhǔn)確，由此使得人類的感觀能力極大地拓展，更能滿足人類對未知領(lǐng)域探索的需要，未爆彈藥的位置、形狀和材料等信息的探測與分析手段也將更加簡便快捷。

二是圖像識別技術(shù)方向。采用機器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)，對從空中或地面采集的圖像進(jìn)行自主地處理和分析，并根據(jù)圖像中的信息進(jìn)行自主匹配，實時識別目標(biāo)信息并根據(jù)結(jié)果進(jìn)行決策，實現(xiàn)對未爆彈藥的準(zhǔn)確識別，并幫助決策者制定詳細(xì)的處理方案。

三是仿生學(xué)技術(shù)方向。通過仿生學(xué)理論，將生物的演化過程與機械設(shè)計相結(jié)合，利用仿生原理制作復(fù)眼，同時具備蠅眼和鷹眼的功能，不僅可以擴(kuò)大探測視場的角度，還可以根據(jù)目標(biāo)的景深在一定距離范圍內(nèi)進(jìn)行自主聚焦和放大，實現(xiàn)精準(zhǔn)識別和解析未爆子彈藥的信息，這種仿生學(xué)的技術(shù)在軍事領(lǐng)域中具有重要的應(yīng)用價值。

未來，隨著智能化彈藥的發(fā)展和使用，采用單一方式的“人工智能+”模式檢測和識別定位技術(shù)的效益性和時敏性不能滿足現(xiàn)代戰(zhàn)場上快速攻防轉(zhuǎn)換的要求，緊跟人工智能和神經(jīng)網(wǎng)絡(luò)算法的不斷迭代，大數(shù)據(jù)使用和計算機計算能力的不斷增強，未來一段時間內(nèi)基于深度學(xué)習(xí)的非接觸式大面積快速檢測和小范圍精確識別定位技術(shù)綜合運用是今后研究的熱點方向。

3.2 基于區(qū)域搜尋的地表未爆子彈快速檢測與定位技術(shù)

本文在綜合上述研究的基礎(chǔ)上，提出了一種基于深度學(xué)習(xí)的無人機載式地表未爆子彈藥快速檢測與識別定位方法。其具體工作原理及過程如下：

使用無人機載平臺搭載可見光、紅外和偏振光多模成像設(shè)備全天候?qū)︻A(yù)定區(qū)域進(jìn)行大視角遠(yuǎn)距離快速掃描檢測，采用二維或三維建圖技術(shù)形成一次區(qū)域坐標(biāo)地圖，射擊完成后再次使用無人機以相同視角對預(yù)定區(qū)域進(jìn)行二次掃描檢測形成二次區(qū)域坐標(biāo)地圖，并針對未爆子彈藥在區(qū)域圖像中所占比例較小的問題，利用圖像處理手段對兩次坐標(biāo)地圖進(jìn)行濾波和增強，排除背景干擾； 引入基于卷積神經(jīng)網(wǎng)絡(luò)模型對兩次坐標(biāo)地圖進(jìn)行連通和匹配，標(biāo)注差異點，并根據(jù)二維/三維坐標(biāo)地圖信息精確計算出各差異點的坐標(biāo)信息； 再次使用無人機載成像設(shè)備對各差異點的區(qū)域逐一進(jìn)行小視角近距離掃描檢測，得到各差異點的圖像信息，與前期已有未爆子彈藥的圖像庫進(jìn)行算法比對，輸出識別出未爆子彈藥的精確坐標(biāo)位置。其具體工作流程如圖10所示。

該方法利用無人機載平臺搭載可見光、紅外和偏振光多模成像設(shè)備進(jìn)行區(qū)域掃描成像，一方面，相較于傳統(tǒng)的人工平臺地毯式掃描提高了檢測速度，降低了作業(yè)人員的危險性； 另一方面，多模成像設(shè)備可以適應(yīng)復(fù)雜天氣條件，提高作業(yè)環(huán)境適應(yīng)性，同時也可以相互驗證檢測結(jié)果，提高檢測精度。最后，充分利用現(xiàn)有未爆子彈藥圖像數(shù)據(jù)庫進(jìn)行圖像識別，現(xiàn)有相關(guān)識別算法已經(jīng)非常成熟，軟件安裝即用，硬件系統(tǒng)相對簡單，減少了作業(yè)人員參與對比識別，提高了檢測結(jié)果的可靠度。

4 結(jié)" 論

目前，地表未爆子彈藥檢測技術(shù)仍然是傳統(tǒng)的人工磁檢測和電磁檢測技術(shù)，但是隨著技術(shù)的成熟和作戰(zhàn)要求的不斷提高，減少作戰(zhàn)人員的安全風(fēng)險，提高地表未爆子彈藥檢測的精度及速度，尤其是要滿足打贏未來信息化條件下智能戰(zhàn)爭的現(xiàn)實需要，綜合運用多種成像技術(shù)和識別模型算法的“人工智能+”智能檢測與識別定位技術(shù)將會是未來發(fā)展的主流。

參考文獻(xiàn)：

［1］ 尹建平， 王志軍. 彈藥學(xué)［M］. 北京： 北京理工大學(xué)出版社， 2014.

Yin Jianping， Wang Zhijun. Ammunition Theory［M］. Beijing： Beijing Insititute of Technology Press， 2014.（in Chinese）

［2］ 趙玉清， 梁建軍， 靳朝陽，等. 不依賴目標(biāo)的引信自毀技術(shù)與發(fā)展建議［J］. 探測與控制學(xué)報， 2020， 42（4）： 18-23.

Zhao Yuqing， Liang Jianjun， Jin Chaoyang， et al. Untargeted Fuze Self-Destruction Technology and Development Recommendations［J］. Journal of Detection amp; Control， 2020， 42（4）： 18-23.（in Chinese）

［3］ 謝興博， 周向陽， 李裕春. 未爆彈藥處置技術(shù)［M］.北京： 國防工業(yè)出版社， 2019： 80-81.

Xie Xingbo， Zhou Xiangyang， Li Yuchun. Disposal Technology of Unexploded Ordnance［M］. Beijing： National Defense Industry Press， 2019： 80-81.（in Chinese）

［4］ 徐建國， 丁凱， 李陽明. 未爆彈藥探測技術(shù)發(fā)展現(xiàn)狀及思考［J］. 中國公共安全， 2020（4）： 176-178.

Xu Jianguo， Ding Kai， Li Yangming. Development Status and Thinking of Unexploded Ordnance Detection Technology［J］. China Public Security， 2020（4）： 176-178.（in Chinese）

［5］ 王衛(wèi)平.航空物探在工程勘查領(lǐng)域的應(yīng)用研究［C］∥2015中國地球科學(xué)聯(lián)合學(xué)術(shù)年會論文集， 2015： 137-140.

Wang Weiping. Research on the Application of Aerogeophysical Exploration in the Field of Engineering Exploration［C］∥2015 Proceedings of the Joint Annual Conference of China’s Earth Sciences， 2015： 137-140.（in Chinese）

［6］ 邱雨. 便攜式瞬變電磁系統(tǒng)未爆彈探測研究［D］.長春： 吉林大學(xué)， 2021： 7.

Qiu Yu. The Research of Unexploded Ordnance Detection with Portable Transient Electromagnetic System［D］. Changchun： Jilin University， 2021： 7.（in Chinese）

［7］ Doll W E， Gamey T J， Beard LP， et al. Recent Advances in Airborne Survey Technology Yield Performance Approaching Ground-Based Surveys［J］. The Leading Edge， 2003， 22（5）： 420-425.

［8］ 路宏敏， 趙永久， 朱滿座. 電磁場與電磁波基礎(chǔ)［M］. 北京： 科學(xué)出版社， 2006.

Lu Hongmin， Zhao Yongjiu， Zhu Manzuo. Electromagnetic Field and Electromagnetic Wave Foundation［M］. Beijing： Science Press， 2006.（in Chinese）

［9］ David J. 磁學(xué)及磁性材料導(dǎo)論［M］. 肖春濤， 譯. 蘭州：" 蘭州大學(xué)出版社， 2003.

David J. Introduction to Magnetism and Magnetic Materials［M］. Translated by Xiao Chuntao. Lanzhou：Lanzhou University Press， 2003.（in Chinese）

［10］ 楊小龍. 基于MAXWELL的有限導(dǎo)體時域響應(yīng)仿真研究［D］.長春： 吉林大學(xué)， 2017： 2-5.

Yang Xiaolong. Simulation of Time Domain Response of Finite Conductor Based on MAXWELL［D］. Changchun： Jilin University， 2017： 2-5.（in Chinese）

［11］ Doll W. Demonstration of Airborne Electromagnetic Systems for Detection and Characterization of Unexploded Ordnance at the Badlands Bombing Range. South Dakota Revision 3［R］.Tennessee： Oak Ridge National Laboratory， 2004.

［12］ 曾昭發(fā)， 劉四新， 馮晅. 探地雷達(dá)原理與應(yīng)用［M］.北京： 電子工業(yè)出版社， 2010.

Zeng Zhaofa， Liu Sixin， Feng Xuan. Principle and Application of Ground Penetrating Radar［M］. Beijing： Publishing House of Electronics Industry， 2010.（in Chinese）

［13］ 倪宏偉， 房旭民. 地雷探測技術(shù)［M］. 北京： 國防工業(yè)出版社， 2003.

Ni Hongwei， Fang Xumin. Landmine Detecting Technique［M］. Beijing： National Defense Industry Press， 2003.（in Chinese）

［14］ Feng X A， Sato M. Pre-Stack Migration Applied to GPR for Landmine Detection［J］. Inverse Problems， 2004， 20（6）： S99-S115.

［15］ 劉保生， 劉宇翔， 丁克峰. 紅外成像技術(shù)在供熱管道漏水檢測中的應(yīng)用［J］. 城市勘測， 2022（4）： 178-180.

Liu Baosheng， Liu Yuxiang， Ding Kefeng. Application of Infrared Imaging Technology in Water Leakage Detection of Heating Pipeline［J］. Urban Geotechnical Investigation amp; Surveying， 2022（4）： 178-180.（in Chinese）

［16］ 方玲玲， 趙婉彤， 王相海. 船舶紅外成像目標(biāo)跟蹤研究進(jìn)展［J］. 計算機輔助設(shè)計與圖形學(xué)學(xué)報， 2017， 29（10）： 1776-1785.

Fang Lingling， Zhao Wantong， Wang Xianghai. Research on Tracking of Moving Ship in Infrared Images［J］. Journal of Computer-Aided Design amp; Computer Graphics， 2017， 29（10）： 1776-1785.（in Chinese）

［17］ 張昌義. 紅外成像探測技術(shù)發(fā)展趨勢淺談［J］. 電子世界， 2018（12）： 41-42.

Zhang Changyi. Discussion on the Development Trend of Infrared Imaging Detection Technology［J］. Electronics World， 2018（12）： 41-42.（in Chinese）

［18］ 陳偉力， 孫秋菊， 王淑華， 等. 目標(biāo)表面發(fā)射率對紅外輻射偏振特性的影響分析［J］. 光譜學(xué)與光譜分析， 2017， 37（3）： 737-742.

Chen Weili， Sun Qiuju， Wang Shuhua， et al. Influence Analysis of Target Surface Emissivity on Infrared Radiation Polarization Characteristics［J］. Spectroscopy and Spectral Analysis， 2017， 37（3）： 737-742.（in Chinese）

［19］ Schoon A， Heiman M， Bach H， et al. Validation of Technical Survey Dogs in Cambodian Mine Fields［J］. Applied Animal Behaviour Science， 2022， 251： 105638.

［20］ 李翰朋， 宣兆龍. 智能雷發(fā)展現(xiàn)狀及關(guān)鍵技術(shù)［J］. 現(xiàn)代防御技術(shù)， 2018， 46（2）： 6-11.

Li Hanpeng， Xuan Zhaolong. Development Status and Key Technology of Intelligent Mine［J］. Modern DefenceTechnology， 2018， 46（2）： 6-11.（in Chinese）

［21］ 李歡， 劉欣璐. 智能雷在特種作戰(zhàn)中的應(yīng)用［J］. 現(xiàn)代防御技術(shù)， 2021， 49（2）： 20-25.

Li Huan， Liu Xinlu. Application of Intelligent Mines in Special Operations［J］. Modern Defence Technology， 2021， 49（2）： 20-25.（in Chinese）

［22］ 劉慧， 趙曉靜. 人工智能技術(shù)的激光雷達(dá)目標(biāo)航跡識別方法［J］. 激光雜志， 2022， 43（11）： 63-68.

Liu Hui， Zhao Xiaojing. Lidar Target Track Recognition Based on Artificial Intelligence Technology［J］. Laser Journal， 2022， 43（11）： 63-68.（in Chinese）

［23］ 張遠(yuǎn)鵬， 單新偉， 汪海濤，等. 基于機器學(xué)習(xí)的金屬目標(biāo)物磁探測識別分類技術(shù)研究［J］. 科技通報， 2022， 38（6）： 60-65.

Zhang Yuanpeng， Shan Xinwei， Wang Haitao， et al. RecognitionResearch of Magnetic Detection for Metallic Objects Based on Machine Learning［J］. Bulletin of Science and Technology， 2022， 38（6）： 60-65.（in Chinese）

［24］ 王宏偉， 楊力， 張方雨. 基于神經(jīng)網(wǎng)絡(luò)的電磁感應(yīng)探雷目標(biāo)識別方法［J］. 探測與控制學(xué)報， 2022， 44（5）： 90-96.

Wang Hongwei， Yang Li， Zhang Fangyu. Target Identification Method of Electromagnetic Induction Mine Detection Based on Neural Network［J］. Journal of Detection amp; Control， 2022， 44（5）： 90-96.（in Chinese）

［25］ 程思遠(yuǎn). 基于深度學(xué)習(xí)的空對地紅外面目標(biāo)識別算法研究［D］.北京： 中國電子科技集團(tuán)公司電子科學(xué)研究院， 2022： 49-52.

Cheng Siyuan. Research on Air-to-Ground Infrared Surface Target Recognition Algorithm Based on Deep Learning［D］. Beijing： China Academic of Electronics and Information Technology， 2022： 49-52.（in Chinese）

［26］ 李航， 朱明. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的小目標(biāo)檢測算法［J］. 計算機工程與科學(xué)， 2020， 42（4）： 649-657.

Li Hang， Zhu Ming. A Small Object Detection Algorithm Based on Deep Convolutional Neural Network［J］. Computer Engineering amp; Science， 2020， 42（4）： 649-657.（in Chinese）

［27］ 邱凱. 基于深度神經(jīng)網(wǎng)絡(luò)的小目標(biāo)檢測算法研究［D］.成都： 電子科技大學(xué)， 2022： 22-52.

Qiu Kai. Research on Small Target Detection Algorithm Based on Deep Neural Network［D］. Chengdu： University of Electronic Science and Technology of China， 2022： 22-52.（in Chinese）

［28］ 高胡琨. 基于壓縮感知和深度學(xué)習(xí)的爆炸物識別分類方法研究［D］.深圳： 深圳大學(xué)， 2018： 47-57.

Gao Hukun. Research on Explosive Classification Method Based on Compressed Sensing and Deep Learning［D］. Shenzhen： Shenzhen University， 2018： 47-57.（in Chinese）

［29］ 陶聲祥. 光電成像夜視技術(shù)［M］.合肥： 安徽人民出版社， 2017： 92-103.

Tao Shengxiang. Photoelectric Imaging Night Vision Technology［M］. Hefei： Anhui People’s Publishing House， 2017： 92-103.（in Chinese）

［30］ 胡學(xué)龍. 數(shù)字圖像處理［M］. 4版. 北京： 電子工業(yè)出版社， 2020： 5， 23-33.

Hu Xuelong. Digital Image Processing［M］. 4th ed. Beijing： Publishing House of Electronics Industry， 2020： 5， 23-33.（in Chinese）

［31］ 邱錫鵬. 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)［M］.北京： 機械工業(yè)出版社， 2020： 13-16.

Qiu Xipeng. Neural Networks and Deep Learning［M］. Beijing： China Machine Press， 2020： 13-16.（in Chinese）

［32］ 劉光宇， 王帥， 曹禹， 等. 幾種經(jīng)典閾值分割方法在圖像處理中的應(yīng)用研究［J］. 黃岡職業(yè)技術(shù)學(xué)院學(xué)報， 2022， 24（4）： 99-103.

Liu Guangyu， Wang Shuai， Cao Yu， et al. Application of Several Classical Threshold Segmentation Methods in Image Processing［J］. Journal of Huanggang Polytechnic， 2022， 24（4）： 99-103.（in Chinese）

［33］ 趙夢超， 孔令成， 譚治英. 基于改進(jìn)Otsu法的鍍膜金屬帶缺陷分割［J］. 計算機工程與設(shè)計， 2018， 39（9）： 2811-2816.

Zhao Mengchao， Kong Lingcheng， Tan Zhiying. Defect Segmentation of Coating Metal Belt Based on Improved Otsu Method［J］. Computer Engineering and Design， 2018， 39（9）： 2811-2816.（in Chinese）

［34］ 曾艷陽， 謝高森， 張建春. 基于截距直方圖和Otsu融合的弱光圖像分割［J］. 激光與光電子學(xué)進(jìn)展， 2021， 58（20）： 219-227.

Zeng Yanyang， Xie Gaosen， Zhang Jianchun. Weak-Light Image Segmentation Based on Intercept Histogram and Otsu Fusion［J］. Laser amp; Optoelectronics Progress， 2021， 58（20）： 219-227.（in Chinese）

［35］ 陳偉駿， 周長勝， 黃宏博，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法綜述［J］. 北京信息科技大學(xué)學(xué)報：自然科學(xué)版， 2020， 35（2）： 90-96.

Chen Weijun， Zhou Changsheng， Huang Hongbo， et al. Review of the Object Detection Algorithms Based on the Convolutional Neural Networks［J］. Journal of Beijing Information Science amp; Technology University， 2020， 35（2）： 90-96.（in Chinese）

［36］ 周志華. 機器學(xué)習(xí)［M］. 北京： 清華大學(xué)出版社， 2016： 214-217.

Zhou Zhihua. Machine Learning［M］. Beijing： Tsinghua University Press， 2016： 214-217.（in Chinese）

［37］ Krizhevsky A， Sutskever I， Hinton G E. ImageNet Classification with Deep Convolutional Neural Networks［J］. Communications of the ACM， 2017， 60（6）： 84-90.

［38］ Szegedy C， Liu W， Jia Y Q， et al. Going Deeper with Convolutions［EB/OL］.（2014-09-17）［2023-04-22］. https：∥arxiv.org/abs/1409.4842.

［39］ He K M， Zhang X Y， Ren S Q， et al. Deep Residual Learning for Image Recognition［C］∥IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， 2016.

［40］ Papageorgiou C， Poggio T. A Trainable System for Object Detection［J］. International Journal of Computer Vision， 2000， 38（1）： 15-33.

［41］ Dalal N， Triggs B. Histograms of Oriented Gradients for Human Detection［C］∥ IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR'05）， 2005： 886-893.

［42］ Girshick R， Donahue J，Darrell T， et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation［C］∥Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition， 2014： 580-587.

［43］ Cho M， Kwak S， Schmid C， et al. Unsupervised Object Discovery and Localization in the Wild： Part-Based Matching with Bottom-up Region Proposals［C］∥IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， 2015： 1201-1210.

［44］ He K M， Zhang X Y， Ren S Q， et al. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（9）： 1904-1916.

［45］ Girshick R. Fast R-CNN［C］∥ IEEE International Conference on Computer Vision （ICCV）， 2016： 1440-1448.

［46］ Hosang J， Benenson R， Dollar P， et al. What Makes for Effective Detection Proposals？［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2016， 38（4）： 814-830.

［47］ Ren S Q， He K M， Girshick R， et al. Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.

［48］ Uijlings J R R， van de Sande K E A， Gevers T， et al. Selective Search for Object Recognition［J］. International Journal of Computer Vision， 2013， 104（2）： 154-171.

［49］ Redmon J， Divvala S， Girshick R， et al. You only Look Once： Unified， Real-Time Object Detection［EB/OL］.（2015-06-08）［2023-04-22］. https：∥arxiv.org/abs/1506.02640.

［50］ Liu W， Anguelov D， Erhan D， et al. SSD： Single Shot MultiBoxDetector［M］.Cham： Springer International Publishing， 2016： 21-37.

［51］ Fu C Y， Liu W， Ranga A， et al. DSSD： Deconvolutional Single Shot Detector［EB/OL］. （2017-01-23）［2023-04-22］. https：∥arxiv.org/abs/1701.06659.

［52］ Lin T Y， Dollár P， Girshick R， et al. Feature Pyramid Networks for Object Detection［EB/OL］. （2016-12-09）［2023-04-22］. https：∥arxiv.org/abs/1612.03144.

［53］ Singh B， Najibi M， Davis L S. SNIPER： Efficient Multi-Scale Training［EB/OL］. （2018-05-23）［2023-04-22］.https：∥arxiv.org/abs/1805.09300.

［54］ Ioffe S， Szegedy C. Batch Normalization： Accelerating Deep Network Training by Reducing Internal Covariate Shift［EB/OL］. （2015-02-11）［2023-04-22］.https：∥arxiv.org/abs/1502.03167.

［55］ Redmon J， Farhadi A. YOLO9000： Better， Faster， Stronger［EB/OL］. （2016-12-25）［2023-04-22］. https：∥arxiv.org/abs/1612.08242.

［56］ Redmon J， Farhadi A. YOLOv3： An Incremental Improvement［EB/OL］. （2018-04-08）［2023-04-22］. https：∥arxiv.org/abs/1804.02767.

［57］ Bochkovskiy A， Wang C Y， Liao H Y M. YOLOv4： Optimal Speed and Accuracy of Object Detection［EB/OL］. （2020-04-23）［2023-04-22］. https：∥arxiv.org/abs/2004.10934.

［58］ 周樂. 基于YOLO v4以及CRNN+CTC算法的中文車牌識別系統(tǒng)［D］.南京： 南京郵電大學(xué)， 2022： 27-28.

Zhou Le. Chinese License Plate Recognition System Based on YOLO v4 and CRNN+CTC Algorithm［D］. Nanjing： Nanjing University of Posts and Telecommunications， 2022： 27-28.（in Chinese）

［59］ 蘇山杰， 陳俊豪， 張之云. 基于深度學(xué)習(xí)的車輛目標(biāo)檢測算法綜述［J］. 汽車文摘， 2022（8）： 14-23.

Su Shanjie， Chen Junhao， Zhang Zhiyun. Survey of Vehicle Object Detection Algorithms Based on Deep Learning［J］. Automotive Digest， 2022（8）： 14-23.（in Chinese）

［60］ 王婉婷， 姜國龍， 褚云飛，等. 從RCNN到Y(jié)OLO系列的物體檢測系統(tǒng)綜述［J］. 齊魯工業(yè)大學(xué)學(xué)報， 2021， 35（5）： 9-16.

Wang Wanting， Jiang Guolong， Chu Yunfei， et al. Overview of Object Detection Systems from RCNNs to YOLOs［J］. Journal of Qilu University of Technology， 2021， 35（5）： 9-16.（in Chinese）

［61］ 賈世娜. 基于改進(jìn)YOLOv5的小目標(biāo)檢測算法研究［D］.南昌： 南昌大學(xué)， 2022.

Jia Shina. Research on Small Object Detection Algorithm Based on Improved YOLOv5［D］. Nanchang： Nanchang University， 2022.（in Chinese）

Review on Detection and Identification Positioning Technology of

Surface Unexploded Submunitions

Chen Dong*，Yan Xiaowei，Shi Shengbin

（Laboratory of Guidance Control and Information Perception Technology of High Overload Projectiles，

PLA Army Academy of Artillery and Air Defense，Hefei 230031，China）

Abstract： Long-range multi-purpose cluster munitions with reconnaissance， identification， strike and evaluation functions are widely used， and a large number of unexploded submunitions will be generated on the surface， which will greatly hinder the battlefield maneuver， deployment and depth attack." Due to its special visual characteristics， surface unexploded submunitions use imaging technology and deep learning technology for long-distance， large-area， non-contact rapid and accurate detection and recognition." This paper introduces the common methods of unexploded submunition detection and their advantages and disadvantages， summarizes the imaging characteristics of unexploded submunitions under different imaging technology conditions and their identification and positioning methods， analyzes the signifi-cant advantages of deep learning in the field of unexploded submunition detection and recognition. Then， a UAV-borne rapid detection， identification and positioning method based on deep learning for surface unexploded submunitions is proposed.

Key words： unexploded submunition; deep learning; imaging technology; identification and positioning