基于物联网的轻武器实弹射击训练自动控制系统及其方法与流程

技术特征：
1.一种基于物联网的轻武器实弹射击训练自动控制系统，其特征在于，包括：图像采集模块，用于获取子弹命中的靶机的第一靶机图像和未命中子弹的靶机的第二靶机图像；命中图编码模块，用于将所述第一靶机图像通过使用空间注意力的第一卷积神经网络模型以得到命中特征图；靶机原图编码模块，用于将所述第二靶机图像通过作为特征提取器的第二卷积神经网络模型以得到未命中特征图；差分模块，用于计算所述命中特征图和所述未命中特征图之间的差分特征图；通道注意力模块，用于将所述差分特征图通过通道注意力模块以得到加强差分特征图；判断模块，用于将所述加强差分特征图通过分类器以得到分类结果，所述分类结果用于表示命中的环数是否超过九环；以及自动控制结果生成模块，用于响应于所述分类结果为命中的环数超过九环，生成针对于另一靶机的起靶指令。2.根据权利要求1所述的基于物联网的轻武器实弹射击训练自动控制系统，其特征在于，所述命中图编码模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述命中特征图。3.根据权利要求2所述的基于物联网的轻武器实弹射击训练自动控制系统，其特征在于，所述靶机原图编码模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述未命中特征图。4.根据权利要求3所述的基于物联网的轻武器实弹射击训练自动控制系统，其特征在于，所述差分模块，进一步用于：以如下公式计算所述命中特征图和所述未命中特征图之间的所述差分特征图；其中，所述公式为：其中，表示所述命中特征图，表示所述未命中特征图，表示所述差分特征图，表示按位置差分。5.根据权利要求4所述的基于物联网的轻武器实弹射击训练自动控制系统，其特征在于，所述通道注意力模块，包括：通道池化单元，用于将所述差分特征图输入所述通道注意力模块的池化层以由所述池化层对所述差分特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到通道特征向量；权重化单元，用于将所述通道特征向量输入所述通道注意力模块的激活层以由所述激活层使用sigmoid激活函数对所述通道特征向量进行非线性
激活以得到通道注意力权重向量；优化单元，用于将所述通道注意力权重向量输入所述通道注意力模块的优化层以由所述优化层基于所述通道注意力权重向量的二范数对所述通道注意力权重向量中各个位置的特征值进行校正以得到校正后通道注意力权重向量；以及施加单元，用于以所述校正后通道注意力权重向量中各个位置的特征值作为权重对所述差分特征图的沿通道维度的各个特征矩阵进行加权以得到所述加强差分特征图。6.根据权利要求5所述的基于物联网的轻武器实弹射击训练自动控制系统，其特征在于，所述优化单元，进一步用于：将所述通道注意力权重向量输入所述通道注意力模块的优化层以由所述优化层基于所述通道注意力权重向量的二范数以如下公式对所述通道注意力权重向量中各个位置的特征值进行校正以得到所述校正后通道注意力权重向量；其中，所述公式为：其中表示所述通道注意力权重向量，表示所述通道注意力权重向量的自协方差矩阵，所述自协方差矩阵的每个位置的值是所述通道注意力权重向量的每两个位置的特征值之间的方差，和分别表示所述通道注意力权重向量的全局均值和方差，表示所述通道注意力权重向量的二范数，和分别表示向量的按位置减法和加法，表示矩阵相乘，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。7.根据权利要求6所述的基于物联网的轻武器实弹射击训练自动控制系统，其特征在于，所述判断模块，进一步用于：使用所述分类器以如下公式对所述加强差分特征图进行处理以生成分类结果，其中，所述公式为：，其中表示将所述加强差分特征图投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。8.一种基于物联网的轻武器实弹射击训练自动控制方法，其特征在于，包括：获取子弹命中的靶机的第一靶机图像和未命中子弹的靶机的第二靶机图像；将所述第一靶机图像通过使用空间注意力的第一卷积神经网络模型以得到命中特征图；将所述第二靶机图像通过作为特征提取器的第二卷积神经网络模型以得到未命中特征图；计算所述命中特征图和所述未命中特征图之间的差分特征图；将所述差分特征图通过通道注意力模块以得到加强差分特征图；将所述加强差分特征图通过分类器以得到分类结果，所述分类结果用于表示命中的环数是否超过九环；以及响应于所述分类结果为命中的环数超过九环，生成针对于另一靶机的起靶指令。9.根据权利要求8所述的基于物联网的轻武器实弹射击训练自动控制方法，其特征在于，所述将所述第一靶机图像通过使用空间注意力的第一卷积神经网络模型以得到命中特征图，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进
行卷积处理和激活处理以生成权重向量；以及以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述命中特征图。10.根据权利要求8所述的基于物联网的轻武器实弹射击训练自动控制方法，其特征在于，所述将所述第二靶机图像通过作为特征提取器的第二卷积神经网络模型以得到未命中特征图，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述未命中特征图。

技术总结
本申请涉及射击训练智能控制领域，其具体地公开了一种基于物联网的轻武器实弹射击训练自动控制系统及其方法，其首先通过卷积神经网络来对于子弹命中靶机和子弹未命中靶机的图像隐含特征分别进行针对性的特征挖掘以得到特征图，再通过计算命中特征图和所述未命中特征图之间的差分特征图以此来凸显命中区域的特征表示，并再次通过通道注意力机制进一步从差分特征图中强化各关联特征之间的相关性特征的提取，以提高命中环数是否超过九环的分类判断精度。进而，响应于所述分类结果为命中的环数超过九环，生成针对于另一靶机的起靶指令。这样，能够实现军事化打靶训练的自动控制。能够实现军事化打靶训练的自动控制。能够实现军事化打靶训练的自动控制。


技术研发人员：于劼
受保护的技术使用者：北京子久科技有限公司
技术研发日：2022.09.05
技术公布日：2022/11/25