[发明专利]一种多飞行器自主攻击目标识别方法

说明书

一种多飞行器自主攻击目标识别方法，从构建自主目标识别算法，设计飞行器目标搜索策略，飞行器算法装载，攻击目标确认方面提出了一种多飞行器自主攻击解决方案。本发明提供的技术方案，一个检测模型只检测一类目标，可以显著提高目标检测的能力，目标存储的特征丰富，识别目标的能力强，检测结果好。通过多发飞行器的确认，可以极大地降低误检的概率，更精确地确定攻击目标。

技术领域

本发明涉及飞行器控制技术领域，尤其涉及一种多飞行器自主攻击目标识别方法。

背景技术

伴随武器装备的不断发展，小型化、智能化的攻击性飞行器在未来的武器系统中有重要发展。在未来的无人作战场景中，飞行器自动搜索并攻击目标，是一个非常重要的发展方向。随着目标检测方法的蓬勃发展，涌现了很多优秀的目标检测方法，但目前的检测方法出现错检，漏检的概率较大，且容易受到环境中各类因素的影响，YOLOv4的论文中总结了目前常见的检测方法在MS COCO数据集上的检测效果，发现AP50最高仅在60%左右，因此检测方法直接应用于飞行器自主目标识别中容易导致飞行器攻击对象出错。另外，在飞行器武器系统自身GPS误差较大，目标定位精度不高时，在两个不同目标距离较近的情况下，如果仅利用目标定位算法对目标进行地理位置定位，定位产生的误差无法使多发飞行器在多个目标中准确确定同一目标的位置。

针对以上问题，开发多飞行器自主攻击目标识别方法，提高飞行器检测目标的精度，提高多飞行器命中同一目标的稳定性具有重要意义。

发明内容

为了克服现有技术的不足，本发明所要解决的技术问题是如何提供一种多飞行器自主攻击目标识别方法，提高飞行器检测目标的精度，提高多飞行器命中同一目标的稳定性。

为了解决上述技术问题，本发明提供的多飞行器自主攻击目标识别方法，包括以下步骤：

1）构建自主目标识别方法

采集各类目标的图像并对图像中的目标进行框选标注，构建目标自主识别的数据集；将数据集划分为训练集和测试集，训练集用于训练目标检测模型，测试集用来测试目标检测模型的优劣；

对训练集进行数据扩充，首先对训练集中图像的亮度、对比度进行调整，通过旋转、裁剪、缩放操作来扩充训练集；然后将图像中的目标提取出来随机放到同一图像中的不同位置，或者放到不同环境的高空图像中，并进行图像滤波；

一发飞行器设置具备识别一种目标的能力，训练若干目标检测模型，每一个目标检测模型只能检测一类目标；根据目标类型的不同将所述数据集划分为若干子数据集，每个子数据集包含一类目标，分别对应一个目标检测模型；

基于训练集训练目标检测模型，训练模型的算法包括YOLO算法、SSD算法或RCNN算法，训练模型时的算法根据飞行器搭载不同的运算平台灵活选择最适合的算法；在训练时，各个子数据集分开训练，获得多个检测不同目标的目标检测模型；

2）设计飞行器目标搜索策略

根据飞行器飞行任务的安排，给飞行器装载适合任务的目标检测模型；如果任务目标不同，则将飞行器划分为不同类别，分别装载不同目标检测模型；

根据飞行区域设置飞行器飞行航线，飞行器在飞行过程中，目标检测模型通过实时处理摄像头采集的图像，获得飞行器视野中的目标；为了方便确认不同目标的位置，设置一发主检测飞行器A，所述主检测飞行器A发现目标时，首先围绕目标进行盘旋，然后根据自身GPS和飞行器姿态，导引头姿态以及目标在图像中的位置粗略定位目标，并将目标位置发送给同一类别中的其他飞行器，通知该类别其他飞行器到指定地点检测目标，当该类别所有飞行器都在该位置检测出目标，认为该位置确实有目标存在；

3）攻击目标确认

飞行器巡飞待攻击区域，通过飞行器目标搜索策略确认存在待攻击目标的位置，并获得了飞行器检测出目标时的目标图像；当主检测飞行器A发现目标后，会通知与其检测同一类目标的其他飞行器到指定位置检测目标，将所有飞行器检测出的目标图像汇总成一组图像，该组图像称为图像A 组，如果图像A 组中检测出了多个目标，就需要确定攻击目标;