ОБНАРУЖЕНИЕ И РАСПОЗНАВАНИЕ ОБЪЕКТОВ НА ДВУМЕРНЫХ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЯХ С ПОМОЩЬЮ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ

DETECTION AND RECOGNITION OF OBJECTS ON TWO-DIMENSIONAL RADAR IMAGES USING CONVOLUTIONAL NEURAL NETWORKS

Lomakov Daniil Nikolaevich

Student of Specialized Higher Education, Department of Radar, Radio Navigation and Onboard Radio-Electronic Equipment, Moscow Aviation Institute, Russia, Moscow

Аннотация. В статье рассматриваются вопросы формирования траекторного сигнала (ТС) радиолокационной системы с синтезированной апертурой (РСА) и перехода к цифровой системе обработки на основе методов быстрой свертки (БС) и гармонического анализа (ГА). Основное внимание уделено разработке метода обнаружения и распознавания объектов (самолетов и кораблей) на двумерных радиолокационных изображениях (РЛИ) с использованием глубоких сверточных нейронных сетей архитектуры YOLOv8. Проведен сравнительный анализ влияния фазовых ошибок траекторного сигнала и возмущений носителя на качество восстановления РЛИ и последующую точность работы нейросетевого детектора. Установлено, что использование метода БС минимизирует среднеквадратическое отклонение ошибки восстановления, что позволяет достичь точности обнаружения mAP@0.5 до 0.94. Рассмотрены факторы деградации точности распознавания в условиях дефокусировки изображения.

Abstract. The paper discusses the issues of generating a trajectory signal (TS) for a synthetic aperture radar (SAR) system and transitioning to a digital processing system based on fast convolution (FC) and harmonic analysis (HA) methods. The main focus is on developing a method for detecting and recognizing objects (aircraft and ships) in two-dimensional radar images (RIs) using deep convolutional neural networks of the YOLOv8 architecture. A comparative analysis is conducted on the effect of phase errors in the trajectory signal and platform motion disturbances on the quality of radar image reconstruction and the subsequent accuracy of the neural network detector. It is established that the use of the FC method minimizes the root‑mean‑square error of reconstruction, achieving a detection accuracy of up to mAP@0.5 = 0.94. Factors degrading recognition accuracy under image defocusing conditions are also examined.

Ключевые слова: РСА, РЛИ, траекторный сигнал, быстрая свертка, гармонический анализ, YOLOv8, обнаружение объектов, фазовая ошибка.

Keywords: SAR, radar image (RI), trajectory signal, fast convolution, harmonic analysis, YOLOv8, object detection, phase error.

Введение. Развитие систем радиолокационного обзора земли космического и авиационного базирования требует внедрения высокоэффективных алгоритмов автоматического анализа данных. Традиционные методы обнаружения целей, работающие на основе статистических порогов яркости (класса CFAR), показывают высокую вероятность ложных тревог при анализе сложных ландшафтов и в условиях интенсивного спекл-шума.

Глубокие сверточные нейронные сети (CNN) - современное решение для анализа иерархических признаков объектов. Однако их эффективность напрямую зависит от качества цифрового формирования радиолокационного изображения (РЛИ). Нестабильность полета носителя вызывает искажения при обработке траекторного сигнала, приводя к дефокусировке объектов и критическому снижению вероятности их распознавания.

Целью данной работы является разработка и исследование метода автоматического обнаружения и распознавания объектов на двумерных радиолокационных изображениях (РЛИ) с использованием глубоких сверточных нейронных сетей архитектуры YOLOv8 в условиях фазовых искажений траекторного сигнала.

Материалы и методы

Математическая модель формирования РЛИ

Процесс формирования изображения в РСА основан на когерентном накоплении отраженных сигналов вдоль траектории движения носителя [3]. Траекторный сигнал (ТС) на входе цифровой системы обработки представляется в виде:

,

где  - полезная составляющая, представляющая собой суперпозицию сигналов от точечных отражателей, а  - аддитивный шум.

Разрешающая способность по азимуту  критически важна для работы детектора объектов, так как она определяет количество информативных пикселей, приходящихся на цель:

,

Здесь  - эффективный размер синтезированной апертуры. В реальных условиях возмущения траектории носителя вносят фазовый набег . При превышении порога ошибки в  когерентность нарушается, что приводит к размытию импульсного отклика системы и, как следствие, к потере текстурных признаков, необходимых для работы сверточных слоев нейросети [1].

Рисунок 1. Формирование ДН СА антенны

Методы цифрового восстановления РЛИ и их сравнительный анализ

Процесс цифрового восстановления радиолокационного изображения из принятого траекторного сигнала является определяющим этапом, формирующим качество входных данных для нейросетевого детектора. Основная задача этого этапа — максимально точная фокусировка энергии отраженного сигнала в минимальное количество пикселей, что обеспечивает высокую контрастность и четкость границ объектов. Метод быстрой свертки реализует операцию согласованной фильтрации в частотной области. На первом этапе вычисляются спектры принимаемого сигнала  и опорной функции  с помощью быстрого преобразования Фурье, затем выполняется их поточечное перемножение в частотной области, после чего результат переводится обратно во временную область посредством обратного БПФ, что позволяет получить сфокусированное изображение [4].

Поскольку свертка выполняется инвариантно к положению сигнала, границы объектов (например, фюзеляж самолета или палуба корабля) сохраняют свою геометрическую целостность.

Рисунок 2. Структурная схема формирования РЛИ методом быстрой свертки

Метод ГА базируется на расщеплении траекторного сигнала на набор доплеровских частот с последующей узкополосной фильтрацией. Опорная функция рассчитывается для центра зоны обзора, что обеспечивает наилучшую фокусировку преимущественно в центральной части кадра. В отличие от БС, метод ГА более чувствителен к фазовым искажениям на краях синтезированной апертуры. В процессе формирования РЛИ этим методом могут возникать микро-искажения пространственной структуры, проявляющиеся в виде «расползания» энергии цели на соседние элементы разрешения. Для нейросети YOLOv8 это критично: сверточные слои, настроенные на поиск четких перепадов яркости (градиентов), начинают фиксировать размытые контуры, что снижает уверенность классификации [2].

Рисунок 3. Структурная схема формирования РЛИ методом гармонического анализа

Сравнение методов БС и ГА проводится с точки зрения сохранности информативных признаков, критически важных для работы сверточных фильтров детектора YOLOv8: прежде всего, это чёткость контуров, где метод БС обеспечивает минимальную ширину главного лепестка импульсного отклика, формируя более резкие границы объектов, а также структура радиолокационных теней, несущих информацию о высоте и геометрии цели - в этом аспекте метод БС лучше сохраняет контрастный переход «объект-тень», что позволяет нейросети точнее локализовать границы ограничивающих прямоугольников (Bounding Box), тогда как метод ГА в большей степени подвержен их размытию.

Рисунок 4. График импульсного отклика системы (ИОС) для методов БС и ГА

Уширение пика на уровне 0.707 (3 дБ) визуально демонстрирует дефокусировку, которая для нейросети эквивалентна потере высокочастотных признаков объекта.

Учет фазовых ошибок в процессе восстановления

Важной частью исследования является моделирование фазовых ошибок , возникающих из-за нестабильности траектории носителя. Эти ошибки приводят к специфической радиолокационной дефокусировке.

В данной работе предлагается использовать математическую модель этих ошибок. Эта модель будет применяться не только для оценки качества БС/ГА, но и как эффективный инструмент аугментации данных при обучении YOLOv8. Путем внедрения синтетических фазовых искажений в обучающую выборку мы сможем обучить нейросеть распознавать объекты даже в условиях неидеального восстановления сигнала, типичного для реальных РСА.

Рисунок 5. Влияния фазовых ошибок на изображение типового объекта

Анализ влияния качества радиоэлектронных изображений на эффективность извлечения признаков в YOLOv8

Основная гипотеза исследования заключается в том, что метод быстрой свертки (БС) создает наиболее благоприятную среду для «работы» весов сверточных слоев, так как минимизирует искажения пространственных частот.

Первые слои YOLOv8 работают как детекторы границ и градиентов.

При использовании метода БС граница между объектом (например, фюзеляжем самолёта) и фоном (небом) сохраняет свою резкость. Это критически важно для фильтров Собеля и Гаусса, встроенных в нейросеть, поскольку позволяет им точно детектировать максимальный отклик градиента.

В отличие от этого, метод ГА приводит к появлению «зубчатости» или размытия контуров. Энергия границы при этом распределяется на 2–3 соседних пикселя. Для нейросети такое распределение означает «размытие» признака: вместо четкой линии веса фиксируют низкочастотное пятно, что снижает вероятность активации нейрона.

(а)                                                                (б)

Рисунок 6. Визуализация активации признаков для методов БС (а) и ГА (б).

Блок Neck в YOLOv8 отвечает за объединение признаков разных масштабов. Здесь критически важна структура радиолокационной тени, которая позволяет нейросети понять истинный габарит объекта, отделяя его от ярких спекл-отражений фона.

Метод БС за счет согласованной фильтрации сохраняет «черноту» тени (нулевой уровень сигнала) и резкий переход к ней. Это создает для нейросети устойчивый контекстный признак. В методе ГА боковые лепестки отклика могут «заливать» тень паразитными засветками, лишая нейросеть этого важного ориентира.

Финальный этап обработки в YOLOv8 связан с вычислением Confidence Score (уровня уверенности), при этом качество сфокусированности радиолокационного изображения напрямую влияет на распределение вероятностей в выходном слое: в случае дефокусировки (характерной для метода ГА или при наличии фазовых ошибок) это распределение становится размытым, и вместо одного выраженного пика уверенности (например, порядка 0.94, как при использовании метода БС) формируется несколько менее выраженных гипотез на уровне 0.6-0.7, что повышает вероятность отсечения объекта при применении пороговой фильтрации по уверенности [5].

Методика специфической аугментации данных фазовыми ошибками РСА

Для повышения устойчивости YOLOv8 мы внедряем в процесс обучения этап радиолокационной аугментации. В отличие от стандартного «Gaussian Blur», используемого в оптике, мы имитируем физику РСА.

Моделирование дефокусировки осуществляется путём дополнения обучающей выборки изображениями с искусственно внесённым фазовым набегом , характерным для различных режимов движения носителя: линейный фазовый набег приводит к смещению объекта по азимуту, квадратичный - к симметричной дефокусировке (размытию), а случайные флуктуации фазы имитируют влияние атмосферной турбулентности, формируя более реалистичные и вариативные условия для обучения нейросети.

Внедрение таких искажений в обучение «заставляет» сверточные фильтры искать более грубые, но устойчивые признаки объектов. В результате веса нейросети адаптируются к специфическим артефактам, возникающим при восстановлении РЛИ.

Рисунок 7. Структурная схема процесса обучения

Результаты и обсуждения

Целью эксперимента является количественное подтверждение гипотезы о том, что сохранение фазовой структуры и четкости границ методом быстрой свертки (БС) напрямую коррелирует с точностью работы нейросетевого детектора YOLOv8. Для оценки влияния методов БС и ГА на веса нейросети были проведены испытания на тестовом наборе данных, включающем РЛИ аэродромов и морских портов. Основной метрикой выступила средняя точность mAP@0.5. Применение метода БС позволило получить восстановленные изображения с высокой точностью обнаружения объектов, что подтверждается значением mAP@0.5 = 0.94. Данный результат обусловлен тем, что концентрированная энергия в центральном лепестке импульсного отклика эффективно формирует выраженные градиенты яркости на контурах объектов, способствуя их точной локализации [5]. В отличие от метода БС, метод ГА, несмотря на визуальное сходство восстановленных изображений, продемонстрировал снижение точности до mAP@0.5 = 0.89. Причиной этого являются микро-искажения фазы, которые приводят к "размытию" границ объектов при их фиксации сверточными фильтрами. Это, в свою очередь, увеличивает ошибку локализации (Localization Error) [5]. Одной из ключевых целей работы была проверка устойчивости модели к траекторным нестабильностям. При введении фазовых ошибок  качество РЛИ деградирует, что наглядно отражается на росте СКО ошибки восстановления.

Рисунок 7. Сравнительные результаты детекции на зашумленных РЛИ

Данный рисунок доказывает, что внедрение специфических для РСА искажений в процесс обучения делает веса модели инвариантными к дефокусировке.

Количественное сравнение СКО и точности ИИ

Таблица 1.

Сравнительный анализ точности обнаружения объектов и среднеквадратической ошибки восстановления РЛИ [5].

Даже при минимальном разрыве в СКО (0.0183 против 0.020), разница в точности обнаружения составляет 5%. Это подтверждает тезис о том, что БС лучше сохраняет структуру признаков, критически важную для YOLOv8.

Заключение. Исследование демонстрирует, что метод быстрой свёртки наиболее эффективен для формирования радиолокационных изображений (РЛИ) в задачах нейросетевого распознавания. Он обеспечивает минимальные искажения и высокую точность детекции (mAP ≈ 0.94). В отличие от этого, метод ГА приводит к фазовым ошибкам и заметной деградации качества распознавания. Применение радиолокационной аугментации с моделированием фазовых искажений значительно повышает устойчивость YOLOv8 к дефокусировке, позволяя распознавать объекты даже при нестабильности траектории носителя.