1 长春理工大学 机电工程学院，吉林 长春 130022
2 长春理工大学 重庆研究院，重庆 400000
反无人机系统是识别和打击“黑飞”无人机的有效手段，图像识别无人机是反无人机系统的关键之一。针对采集的无人机样本属于小样本、提取特征不够多，识别准确率不够高的问题，提出了一种基于迁移学习、密集卷积网络和坐标注意力机制融合的反无人机系统图像识别方法。首先，运用自制设备采集了多种无人机在不同背景下的图片，建立数据样本；其次，设计针对无人机小样本识别的基于迁移学习、坐标注意力机制和密集卷积网络融合的网络TL-CA4-DenseNet-121、基于通道注意力机制融合的网络TL-SE4-DenseNet-121等网络，运用设计的网络对小样本进行识别，并进行对比，然后分别进行了基于不同位置和不同个数的坐标注意力模块和通道注意力模块的网络识别实验；最后，将识别效果最优的网络与经典卷积神经网络模型进行对比实验。实验结果表明，提出的TL-CA4-DenseNet-121网络识别效果优于其他网络，识别的平均准确率为97.93%，F1-Score为0.9826，网络训练时间为6832 s。结果表明了该网络在识别小样本无人机方面的优越性和可行性。
无人机 图像识别 坐标注意力机制 密集卷积网络 drone image recognition coordinate attention mechanism dense convolutional network 红外与激光工程
2022, 51(9): 20211101
1 中国科学院云南天文台, 云南 昆明 650216
2 中国科学院大学, 北京 100049
为了实现新真空太阳望远镜(NVST)多波段图像0.1″精度的视场匹配,提出了针孔光阑视场定标的方法,并在NVST光球[TiO(705.8 nm)]通道和色球[Hα(656.28 nm)]通道上进行了实验分析。采用11×11点阵的针孔阵列光阑,对两通道视场之间的旋转、放缩和平移关系进行了定标。通过仿射变换实现两通道太阳图像的高精度视场匹配,精度可达0.031″。虽然匹配残差在整个视场内(约为2')存在不均匀性,视场边缘最大残差为0.076″。定标参数的数值会随着光学平台位置的变化而改变,造成了0.05″的视场匹配差异,但这些匹配差异都在分辨率要求的精度之内。对TiO通道和Hα通道实测数据的分析也证明了上述方法的精度估计。
成像系统 地基太阳望远镜 图像匹配 针孔光阑 太阳观测
