ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2025. №2

УДК: 621.396.96

ДЕТЕКТИРОВАНИЕ ОБЪЕКТОВ ВОЕННОЙ ТЕХНИКИ
НА ЗАШУМЛЕННЫХ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЯХ
С ИСПОЛЬЗОВАНИЕМ ДЕТЕКТОРА YOLOv4-tiny

И.Ф. Купряшкин

Военный учебно-научный центр Военно-воздушных сил
«Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина»
394064, Воронеж, ул. Старых Большевиков, д. 64

Статья поступила в редакцию 24 октября 2024 г.

Аннотация. Приведены результаты детектирования отметок объектов из набора MSTAR на радиолокационных изображениях, формируемых в условиях шумовых помех, с использованием нейросетевого детектора YOLOv4-tiny. Показано, что в случае однородного фона работу детектора можно считать удовлетворительной при отношении сигнал/помеха на изображении 10 дБ и более, и полностью сорванной при отношении сигнал/помеха менее 0 дБ

Ключевые слова: глубокая сверточная нейронная сеть, радиолокационное изображение, детектирование объектов, шумовая помеха.

Автор для переписки: Купряшкин Иван Федорович, ifk78@mail.ru

Литература

1. Bao W., Huang M., Zhang Y., Xu Y., Liu X., Xiang X. Boosting ship detection in SAR images with complementary pretraining techniques. ArXiv. https://arxiv.org/abs/2103.08251

2. Amrani M., Bey A., Amamra A. New SAR Target Recognition Based on YOLO and Very Deep Multi-Canonical Correlation Analysis. ArXiv. https://arxiv.org/abs/2110.15383

3. Kim W., Cho H., Kim J., Kim B., Lee S. YOLO-Based Simultaneous Target Detection and Classification in Automotive FMCW Radar Systems. Sensors. 2020. Vol. 20, 2897. https://doi.org/10.3390/s20102897

4. Chang Y.-L., Anagaw A., Chang L., Wang Y.-C., Hsiao C.-Y., Lee W.-H. Ship Detection Based on YOLOv2 for SAR Imagery. Remote Sensing. 2019. Vol. 11, 786. https://doi.org/10.3390/rs11070786

5. Zhou L., Wei S., Cui Z., Fang J., Yang X., Ding W. Lira-YOLO: a lightweight model for ship detection in radar images. Journal of Systems Engineering and Electronics. 2020. Vol. 31. No. 5. PP.950–956. https://doi.org/10.23919/JSEE.2020.000063. https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9215072

6. Cui Z., Tang C., Cao Z., Liu N. D-ATR for SAR Images Based on Deep Neural Networks. Remote Sensing. 2019. Vol. 11, 906. https://doi.org/10.3390/rs11080906

7. Чорбаа Н.А., Ле Ань Ту, Толстой И.М. Сравнительный анализ методов детектирования объектов на радиолокационных изображениях при помощи нейронных сетей. Научный результат. Информационные технологии. 2020. Т.5. №4. С. 15-25. https://doi.org/10.18413/2518-1092-2020-5-4-0-3

8. Gao F., Liu A., Liu K., Yang E., Hussain A. A novel visual attention method for target detection from SAR images. Chinese Journal of Aeronautics. 2019. Vol. 32(8). P. 1946-1958 https://doi.org/10.1016/j.cja.2019.03.021

9. Chen Y., Duan T., Wang C., Zhang Y., Huang M. End-to-End Ship Detection in SAR Images for Complex Scenes Based on Deep CNNs. Journal of Sensors. Vol. 2021. https://doi.org/10.1155/2021/8893182

10. Wu T.-D., Wang H.-F., Hsu P.-H., Tiong K.-K., Chang L.-C., Chang C.-H. Target Detection and Recognition in Synthetic Aperture Radar Images Using YOLO Deep Learning Methods. 2023 International Conference on Consumer Electronics – Taiwan (ICCE-Taiwan). 2023. PP. 593-594. https://doi.org/10.1109/ICCE-Taiwan58799.2023.10226736 https://ieeexplore.ieee.org/document/10226736

11. Zhang T., Zhang X., Ke X., Zhan X., Shi J., Wei S., Pan D., Li J., Su H., Zhou Y., Kumar D. LS-SSDD-v1.0: A Deep Learning Dataset Dedicated to Small Ship Detection from Large-Scale Sentinel-1 SAR Images. Remote Sensing. 2020. 12. 2997. https://doi.org/10.3390/rs12182997

12. Казачков Е.А., Матюгин С.Н., Попов И.В., Шаронов В.В. Обнаружение и классификация малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой. Вестник Концерна ВКО «Алмаз – Антей». 2018. № 1. С. 93-99. https://doi.org/10.38013/2542-0542-2018-1-93-99

13. Купряшкин И.Ф., Лихачев В.П. Космическая радиолокационная съемка земной поверхности в условиях помех. Воронеж, Научная книга. 2014. 460 с.

14. Купряшкин И.Ф. Детектирование объектов военной техники с использованием сверточной нейронной сети на радиолокационных изображениях, сформированных в условиях шумовых помех. Журнал радиоэлектроники. 2022. №6.https://doi.org/10.30898/1684-1719.2022.6.8

Для цитирования:

Купряшкин И.Ф. Детектирование объектов военной техники на зашумленных радиолокационных изображениях с использованием детектора YOLOv4-tiny. // Журнал радиоэлектроники. – 2025. – №. 2. https://doi.org/10.30898/1684-1719.2025.2.7