PDF《基于 Faster R-CNN 的雷达时序信号频谱图的 料线检测》

第12卷第3期Vol.

12 No.3

2019 年6月June

2019 基于 Faster R-CNN 的雷达时序信号频谱图的 料线检测 宋光然,侯庆文,倪梓明* (北京科技大学自动化学院,北京 100083) 摘要:针对雷达信号频谱中真实料面回波分量对应时序频谱的识别问题,使用改进后的 Faster R-CNN 来识别 料线.将Faster R-CNN 检测模型与

3 种不同特征提取的全卷积神经网络相结合,选择出最优特征提取网络, 并结合正负样本均衡理论完成区域建议候选框的尺寸设置.结果显示,相比料线分割算法,料线检测的实时 性和准确率更高. 关键词:人工智能;

模式识别;

料线时序频谱的识别;

全卷积神经网络;

候选框的尺寸设置 中图分类号:TP751.1 文献标识码:A 文章编号:1674-2850(2019)03-0383-07 Stockline detection of radar timing signal spectrogram based on Faster R-CNN SONG Guangran, HOU Qingwen, NI Ziming (School of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing 100083, China) Abstract: In order to identify the corresponding timing spectrum of the real surface echo component in the spectrum of the radar signal, the improved Faster R-CNN is used to identify the stocklines. The Faster R-CNN detection model is combined with three different feature extraction full convolutional neural networks to select the optimal one. And positive and negative sample equilibrium theory completes the size setting of the regional suggestion candidate box, The results show that the real-time and accuracy of the stockline detection is higher than the stockline segmentation algorithm. Key words: artificial intelligence;

pattern recognition;

identification of the timing spectrum of the stockline;

full convolutional neural network;

candidate box size setting

0 引言 高炉炼铁作为复杂工业系统的典型代表,占据钢铁行业总耗能的 70%. 如何检测高炉料面,以对高 炉生产进行精确的控制,是节能降耗的关键因素.高炉内部高温、高压、多粉尘、强气流冲击的恶劣环 境,导致其料面检测技术非常有限.由于微波对于物料表面凹凸敏感,具有不受温度、粉尘、气体和压 力影响的优点,在恶劣环境下能够检测出准确的距离信息.近年来,调频连续波(frequency modulated continuous wave,FMCW)雷达在工业生产和民用自动化领域获得了广泛的应用,也被利用到高炉料面 的高度测量和料面成像[1] 中. 在工业近场雷达探测应用中,尤其是在高炉料面的监测中,其复杂环境的干扰造成高炉料线识别困 作者简介:宋光然(1994―) ,男,硕士研究生,主要研究方向:雷达时频信号的料线检测 通信联系人:侯庆文,副教授,主要研究方向:微波检测及信号处理. E-mail: [email protected] 第12卷第3期2019 年6月宋光然等:基于 Faster R-CNN 的雷达时序信号频谱图的料线检测

384 难.因此,除了传统频谱校正算法外,对于雷达信号的降噪及频谱中真实料面回波分量对应谱峰的精确 识别,也是大批学者的研究重点. 在恶劣环境下,真实料面回波信息会被噪声掩盖,雷达回波信号的距离误判率较高,易造成料面检 测的经常性畸变. 张杰等[2] 调整了采样参数与频谱校正相结合的测量算法进一步提高了频率测量精度.李秀坤等[3] 利 用经验模态分解提取了复杂信号的特性分量,并建立了基于内在模式函数分量的趋势判断准则,有效地 分离出了复杂信号中的复杂趋势干扰.赵晓月等[4] 利用经验模态分解方法和 C4.5 决策树算法对有效分量 和干扰分量进行分类,通过 Hibert 变换将调整后的内在模式函数(intrinsic mode function,IMF)分量转 换为时频谱,对信号进行能量寻峰,并计算雷达待测目标的距离,有效地减弱了干扰和噪声掩盖真实回 波信号的现象. 以上算法皆为传统信号的处理算法,机器学习的迅速发展为国内外学者提供了新思路.YANG 等[5] 提出一种基于极限学习机的高频雷达频谱预测模型,提升了频谱预测的精度和实时性.LI 等[6] 根据不同模 式下机载相控阵雷达脉冲信号的变化规律,提出了参数联合建模,引入了堆叠去噪自动编码器.徐彬等[7] 利用具有记忆功能的循环神经网络对时域数据进行编码,并根据雷达高分辨率距离像中不同距离单元的 重要性赋予了不同的权值系数,有效提取了特征并进行识别. 随着深度学习的发展,可以直接利用深度学习网络完成图像的目标检测.提出的目标检测算法有: R-FCN[8] ,Fast R-CNN[9] ,YOLO[10] ,SSD[11] 等.赵春晖[12] 在船舶目标识别的检测算法中,在区域包围盒 尺寸设置中引入了 K-means 聚类算法,通过聚类方法对图像中的目标大小进行聚类分析,将聚类结果直 接输入区域建议网络(region proposal network,RPN)中,从而实现对 Faster R-CNN 算法中的 RPN 进行 改进,并加快了 Faster R-CNN 模型收敛速度和目标检测精度.徐守坤等[13] 在安全帽佩戴检测中,由于目 标在图片所占比例小,导致负样本空间过大,正样本和负样本存在巨大失衡,致使模型偏向负样本.即 使在候选样本中随机选择也无法根本去除样本不均衡的问题. 本文基于 Faster R-CNN 模型,首次将其应用在雷达时序频谱图的料线检测中.通过将 Faster R-CNN 与不同特征提取网络相结合,选择出较为合适的特征提取网络.在区域候选框的大小选择上,结合雷达 时序频谱图像的特点,合理设置目标边框的尺寸,使正负样本的数量均衡,从而保证模型的有效性.