CC BY
148
Goriachev Oleg Vladimirovich, doctor of technical science, professor, manager of cathedra, ovgor@gmail. com, Russia, Tula, Tula State University,
Ovchinnikov Alexey Vladimirovich, postgraduate, [email protected], Russia, Tula, Tula State University
УДК 623.592
МЕТОДЫ РАСПОЗНАВАНИЯ ИК-ИЗОБРАЖЕНИЯ
С.И. Стреляев, О.А. Фомичева
Проводится анализ существующих методов автоматизированного распознавания целей, а также технических устройств, физически воспроизводящих излучение реальных объектов в лабораторных условиях.
Ключевые слова: фоно-целевая обстановка, ИК-излучение, физическое моделирование, ИК головка самонаведения.
Одной из причин, ограничивающих применение пассивного самонаведение высокоточных боеприпасов по наземным целям, является отсутствие эффективных алгоритмов селекции на сложных подстилающих фонах. На сегодняшний день эффективность и возможности алгоритмов автоматического распознавания ИК изображений далеки от соответствующих характеристик систем видимого диапазона. Это вызвано рядом обстоятельств. В статье [1] отмечается, что технологии изготовления приемников на основе HgCdTe и InSb, менее совершенны, чем технологии для кремния, в связи с чем ИК-датчики изображения имеют более высокий уровень шума и низкую однородностью пикселей по сравнению с аналогами видимой длины волны. Поэтому ИК изображения, получаемые в полевых условиях, могут обладать сильными структурными беспорядками и плохим отношением сигнал-шум. Кроме того, целевые объекты могут использовать маскировку, ложные цели, тепловые ловушки и сложное маневрирование, чтобы избежать обнаружения и отслеживания. Эти трудности могут усугубляться движением носителя сенсорной платформы относительно цели. В зависимости от рабочего диапазона датчика, условия окружающей среды (дым, дымка, туман, дождь, снег, песчаный ветер) могут ухудшить или полностью закрыть целевую сигнатуру. Авторы [1] отмечают, что все эти факторы способствуют существенной изменчивости внешнего вида целевой тепловой сигнатуры, наблюдаемой датчиком, тем самым ограничивая эффективность подходов, основанных, например, на хранимых в библиотеках статических априорных изображений.
Однако любые теоретико-математические изыскания в этой области требуют наличия баз данных (БД) спектральных изображений фоно-целевой обстановки (ФЦО). Американская коллекция, собранная US Army NVESD (Night Vision and Electronic Sensor Directorate), составляет основу БД тепловизионных и видимых изображений живой силы, иностранной
207
военной и гражданской техники, экспериментально полученных при различных углах и ракурсах и сопровождаемых метеоданными и фоновой обстановкой [2]. БД используется в странах НАТО для развития технологии ATR (Automated Target Recognition) - автоматизированного опознавания целей. На рис. 1 представлена систематизация разрабатываемых ATR методов [1]. В основе классификации лежит разделение на две основных группы, отличающихся подходами получения исходной информации о ФЦО.
Рис. 1. Систематизация методов автоматизированного распознавания целей
Подходы, основанные на экспериментальных данных, обычно используют обучение на наборе спектральных изображений реальных целей. В нейронных сетях изображения рассматриваются как точки в высоко размерном векторном пространстве. Результатом является формирование большого многослойного персептрона для выполнения соответствия отображения из этого пространства в пространство обозначенных реальных (учебных) изображений. Сверточные нейронные сети обобщают основную идею путем включения локальных восприимчивых полей, распределения веса и пространственной субвыборки для обеспечения некоторой степени перевода и локальной деформации [2]. Модульные нейронные сети - еще одно важное обобщение, в котором коллекция из нескольких независимо обученных сетей выдает классификационное решение на основе локальных признаков, извлеченных из определенной области изображения. Эти индивидуальные решения затем объединяются для достижения общего окончательного решения классификации ЛТЯ. Другим подходом, основанным на данных, является метод квантования вектора обучения, где каждый целевой класс обучается алгоритмом квантования обучающего вектора и многоуровневыми персептронами, используемыми для распознавания. Основными недостатками подходов, основанных на данных, являются необходимость накопления больших наборов реальных изображе-
ний для обучения, что особенно трудно с учетом глубокой изменчивостью наблюдаемых целевых тепловых сигнатур в практических полевых условиях.
Кроме того, в идеале желательно, чтобы система ATR была способна обобщать в полете так, чтобы и неизвестные типы целей и ранее неизвестные изображения известных типов целей могли быть обнаружены, распознаны и сопровождены, по крайней мере, в пределах соответствующего целевого класса [1].
Подходы на основе моделирования используют компьютерные модели с использованием реальных изображений целей или без них для обучения модели. Основанные на математической модели современные подходы ATR генерируют целевые гипотезы и сопоставляют наблюдаемые реальные портреты целей с гипотетическими сигнатурами или внешними моделями. Основная идея заключается в том, что лучшая интерпретация фоноцелевой сцены может быть достигнута путем применения разумных рассуждений при сохранении максимально возможной информации о цели. Например, в работе [3] радиолокационные функции были извлечены из сигнала РЛС и использованы для построения 3D-модели наблюдаемой цели, которая была сопоставлена с известными моделями интересующих объектов для поиска наилучшего соответствия. Существуют также гибридные методы, сочетающие и модели САПР и 2D-изображения для обучения и генерации вывода моделей. Функции 2D-изображения играют важную роль во многих алгоритмах ИК ATR [4].
Для моделирования формы цели был предложен и применен в последнее время ряд методов многообразия обучения при слежении и распознавании объектов. Эллиптические дескрипторы Фурье использовались в [5] для моделирования формы цели как суммы эллиптических гармоник. Модель формы, которая представляет образ объекта и идентификационные переменные на связанной паре многообразий, предложена для совместного отслеживания и распознавания ИК-изображений цели.
Для практической апробации этих алгоритмов на этапе создания действующих макетов и опытных образцов оптоэлектронных систем, работающих в тепловой части ИК диапазона, необходимы технические устройства, физически воспроизводящие излучение реальных объектов в лабораторных условиях. В иностранной технической литературе такие устройства называют ИК проекторами. В статье [6] отмечается, что «за последние три десятилетия инфракрасная проекция сцены превратилась в необходимый лабораторный инструмент для оценки высокоэффективных инфракрасных тепловизоров и их встроенных алгоритмов. Эта технология обеспечивает точные, реалистичные и динамические ИК-картины на входной апертуре тестируемого датчика. Она используется для имитации состояния различных систем, в том числе изображений инфракрасных ракетных ГСН, поисковых и дорожных систем и тепловизоров. Использование этого метода для моделирования аппаратных средств в цикле уменьшило объем и стоимость полетных/полевых испытаний. Зарубежную историю развития ИК проекторов можно представить схематично (рис. 2) [8].
209
1970
I I I
1980
I I I
I I I
1990
I I I I
2000
|~П.Ведистория ~1 ИК-нить ■
(Квантовая ячейка Блая)
_I
Ячейка Блая Ц Жидкокристаллическая световая лампа ||
Термоэлектрика И ИК-ЭПТ
Деформируемое зеркальное устройство
Цифровое микрозеркальное устройство ИК-фазатор
Лазерный сканер | Сканирующий лазерный диод | Тонкопленочный резистор^^^^^^^^^^^^
ИК-плазма | Фотонный кристалл Я
Подвесной мембранный резистор Q
Рис. 2. Исторические этапы развития ИК проекционных технологий
Известные на сегодняшний день технологии физического воспроизведения ИК сюжетов разделяют на три группы: тепловую, модуляционную и квантовую (фотонную). Группа тепловых технологий, применяемых для тестирования пассивных тепловых ГСН, включает: тонкопленочные, мостовые и подвесные мембранные резисторы; ячейки Блая и другие термоэлектрические устройства, создающие ИК-излучение посредством термодинамической температуры и излучательной способности. В модуляционных ИК проекторах используются устройства отражательной пространственной модуляции излучения, в том числе цифровые микро зеркальные устройства; передающие пространственные модуляторы, такие как жидкокристаллический световой клапан; гальванические элементы с внешним освещением. Квантовые (фотонные) симуляторы используют лазерные, светодиодные, плазменные и/или фотонные кристаллические технологии для создания высокоинтенсивных узкополосных схем освещения.
Резистивная излучающая матрица сегодня является ведущей технологией проекции ИК картины. ИК проекторы, основанные на этих «болометрах, работающих наоборот», позволяют создавать широкополосные высоко динамичные ИК-изображения с хорошим термическим и пространственным разрешением и без мерцания. Резистивный излучающий пиксель представляет собой суспендированную структуру, состоящую из резистора, поддерживаемого двумя теплоизолирующими ножками (рис. 3). Пиксельные массивы изготавливаются монолитно на подложках CMOS (технология для создания интегральных схем с малой потребляемой мощностью) ASIC (специальная интегральная схема) и управляются током пикселя для получения Джоулева нагрева и ИК излучения.
Максимальная имитационная температура проекционных системна основе резистивных матриц составляет до 800 К с разрешением 20 мК. Подложка матрицы требует охлаждения до криогенной температуры, при этом тепловая инерция пикселя составляет около 5 мс. По мнению авторов
[8], развитие этих проекторов сталкивается со многими проблемами. Они отмечают, что большие резистивные матрицы потребляют высокие пиковые токи (до 200 А) и рассеивают до 1000 Вт, требуя системы для надежного управления такими нагрузками.
Рис. 3. Пиксельрезистивной микроматрицы [8]
На наш взгляд, перечисленные выше недостатки пиксельных рези-стивных матриц, не являются принципиальными. Что касается высокой рассеиваемой мощности, то это неизбежные потери при преобразовании Джоулева тепла в ИК излучение. Если сравнить удельный КПД резистив-ных матриц и СО2 лазеров, то результаты окажутся паритетными, поскольку КПД электронагревателей сопротивления близок к 100 %, что практически компенсирует 100 % монохроматичность лазера. Охлаждение, в том числе и до криогенных температур, просто неизбежно, если требуется высокое быстродействие излучающей матрицы для воспроизведения динамичных сцен ФЦО.
По нашему мнению, главным, принципиальным недостатком большинства всех представленных на рис. 2 технологий, является дискретизация пространства, то есть пиксельное изображение генерируемой ИК сцены. При таком способе, для минимально достаточной степени детализации воспроизводимого сюжета ФЦО, число элементов излучающей резистив-ной матрицы должно быть на два порядка больше количество пикселей квадратной матрицы фотоприемника ГСН [6]. Таким образом, лучшие излучающие матрицы фирмы MIRAGE размером 1024 х 1024 пикселей, позволяют отрабатывать ТГСН с фотоприемной матрицей не более 64 х 64 пикселя. Для относительно простых по геометрии и тепловому портрету целей и подстилающих фонов, таких как летательный аппарат на небесном фоне, такой матрицы вполне достаточно.
В настоящее время авторами ведутся поисковые исследования по созданию толстопленочный технологии, позволяющей освободиться от перечисленных изъянов, существенно повысить максимальную рабочую температуру и универсальность имитаторов. Под универсальностью понимается возможность простой и оперативной смены моделируемого сюжета ФЦО, в чем пиксельные охлаждаемые излучающие матрицы не имеют конкурентов.
Применение новых материалов позволяет достичь максимальной температуры 450 К и быстродействия менее секунды при естественном охлаждении. Эти характеристики достаточны для отработки опытных образцов тепловых ГСН боеприпасов, работающих по наземным целям. Основной трудностью на пути развития данной технологии является высокая наукоемкость.
Работа выполнена при финансовой поддержке правительства Тульской области (договор № ДС/85 от 19.07.2018 г.).
Список литературы
1. Официальный сайт SENSIAC [Электронный ресурс] URL: https://www.sensiac.org/sensiac (дата обращения: 18.08.2018).
2. Mirelli V., Rizvi, S.A. Automatic target recognition using a multilayer convolution neural network. Proc. SPIE 1996, 2755. P. 106-125.
3. Aull A., Gabel, R., Goblick, T. Real-time radar image understanding: A machine intelligence approach. Linc. Lab. J. 1992, 5. P. 195-222.
4. Paravati. G., Esposito S. Relevance-based template matching for tracking targets in FLIR imagery. Sensors 2014, 14, 14106-14130.
5. Prisacariu, V., Reid I. Nonlinear shape manifolds as shape priors in level set segmentation and tracking. In Proceedings of the IEEE Conference on Computer Vision, Pattern Recognition, Colorado Springs, CO, USA, 2011. P. 2185-2192.
6. Инфракрасная проекция картины: виртуальная реальность для тестирования ИК-датчиков. PhotonicsSpectra. 2007.
7. Стреляев С.И., Фомичева О.А., Чунаев В.А., Медведев В.И. Анализ возможных путей отработки алгоритмов опознавания целей в тепловой области ИК диапазона // Боеприпасы и спецхимия. Научно-технический журнал. М.: 2016. №4. Спец. Выпуск АО «НПО «СПЛАВ». С. 102 - 110.
Фомичева Ольга Анатольевна, канд. техн. наук, доцент, olir77@,mail.ru, Россия, Тула, Тульский государственный университет,
Стреляев Сергей Иванович, д-р техн. наук, профессор, sergeystrel@rambler. ru, Россия, Тула, Тульский государственный университет
IR PICTURE RECOGNITION METHODS S.I. Strel 'yaev, O.A. Fomicheva
The analysis of existing methods of automated target recognition, as well as technical devices that physically reproduce the radiation of real objects in the laboratory, is conducted.
Key words: phono-target environment, infrared radiation, physical modeling, infrared homing head.
Strelyaev Sergey Ivanovich, doctor of technical science, professor, sergey-strelarambler. ru, Russia, Tula, Tula State University,
Fomicheva Olga Anatol 'evna, candidate of technical science, docent, [email protected], Russia, Tula, Tula State University
УДК 623-55
ОПЫТ СОЗДАНИЯ НАВИГАЦИОННЫХ СИСТЕМ СОТРУДНИКАМИ КАФЕДРЫ ПБС
М.Б. Богданов, А.В. Прохорцов, В.В. Савельев, В. А. Смирнов
Представлены результаты работы сотрудников кафедры «Приборы и биотехнические системы» Тульского государственного университета в области проектирования систем ориентации, стабилизации и навигации.
Ключевые слова: система ориентации, бесплатформенная инерциальная навигационная система, спутниковая навигационная система, интегрированная система ориентации и навигации, система стабилизации и наведения линии визирования.
Кафедра «Приборы и биотехнические системы» (ПБС) была организована в 1998 г. С момента кафедры создания ее сотрудниками ведутся научно-исследовательские работы в области создания и проектирования систем ориентации стабилизации и навигации.
Одной из первых работ кафедры в этом направлении стала система ориентации спортивного оружия, выполненная в 1998 г сотрудниками кафедры - к.т.н., доц. Р.Н. Насибулиным и в то время магистрантом кафедры М.Б. Богдановым под руководством заведующего кафедрой д.т.н., проф. В.В. Савельева. В ходе выполнения работы была разработана теория и создан макетный образец системы ориентации спортивного ружья (рис. 1).
Рис. 1. Бесплатформенная система ориентации спортивного ружья
Область применения: подготовка спортсменов-стрелков высокого класса; объективный отбор начинающих спортсменов-стрелков; получение исходных данных на проектирование тренажеров по стендовой стрельбе и нового спортивного оружия. Система ориентации предназначена для измерения угловых скоростей вращения и углов рыскания, тангажа и крена
