基于深度学习及FPGA的装备目标检测研究

本文应用深度学习技术实现海天背景下基于可见光、红外方式成像的舰船及角反、烟幕干扰的目标检测，这也是反舰导弹作战使用的关键技术之一。采集的可见光与红外成像目标检测数据集涵盖实施典型干扰下的态势场景，贴近实战；结合四种不同的目标检测机制，选取YOLOV3、Faster R-CNN、SSD及CenterNet四种典型模型分别进行训练与验证，通过对比分析进一步提高弱小目标、复杂干扰态势的的检测，可以实现端到端的高精度装备目标检测模型。在确保精度的前提下基于现场可编程门阵列（FPGA）进行软硬件协同设计，通过对比分析选定基于Vitis AI的实施方案，经过模型的量化、编译与优化，可在保证检测效率的前提下快速实现模型的小型化部署，便于进行装备移植。研究结果表明，该研究内容可有效提高现役反舰导弹目标检测的准确率。

目前，军事应用中通常使用红外与可见光成 像的手段对导引头及监控检测设备进行目标检 测，实际使用的检测算法多为基于轮廓和边缘检 测的传统方法，无法应对遮蔽、烟雾及模糊等干 扰因素。近些年来，人工智能尤其是深度学习技 术快速发展成熟，在计算机视觉领域展现出较好 的应用前景。深度学习的方法能够通过自动特征 提取及大样本训练提升模型精度，其提取的复杂 特征是依靠人为设计无法比拟的，可极大改善检 测精度。 本文拟使用深度学习目标检测框架实现海 天背景可见光及红外成像中的目标检测，选择目 前最优的深度学习目标检测方法，如 Faster R-CNN、SSD、YOLO 和 CornerNet 等开展训练， 在海量目标数据上训练模型并进行对比分析，验 证其检测精度并进行调优改进；在提高准确率的 基础上进行模型压缩，然后基于现场可编程门阵 列（Field Programmable Gate Array，简称 FPGA） 进行软硬件协同，实现设计目标。这种软硬件协 同的实现方案可作为现役装备红外与可见光成 像后处理部分的有效补充。