0 引 言
低空飞行器无论是在军用领域的战场侦察、低空突防还是民用领域的地形勘探、抢险救灾，均发挥着重要作用。但是低空环境中存在着复杂的障碍物，如山丘、树林、建筑物、电线杆以及高压线等，对飞行安全造成了严重的威胁。其中，由于高压线体积小、危险性高，且在很多情况下难以被肉眼发现，成为了威胁低空飞行安全的首要因素。
毫米波雷达具备体积小、功耗低、波束宽度窄、分辨率高等特点，且不受雨雾、尘霾等恶劣天气环境的影响，具备全天时全天候的工作能力［1-2］。因此，将毫米波雷达应用于高压线检测成为近年来提升低空飞行安全的优先选择。
传统的高压线检测方法有恒虚警检测（CFAR）、角度模型匹配检测（APM）、基于特征分类器的检测（SVM）等［3］，但对于场景多样、复杂多变的高压线难以保证其可靠的检测性能。深度学习作为目前人工智能（AI）中的一个研究热点，已在图像处理、自动驾驶、文本识别等领域取得了较大进展。同时，已有实验证明了基于深度学习的雷达信号处理在目标识别、场景分类等方面应用的可行性［4-7］，这为低空复杂环境下高压线检测性能的提升提供了新的解决思路。
本文研究了一种基于深度学习网络模型的高压线智能处理方法，基于英伟达（NVIDIA）TX2嵌入式平台对机载雷达实时系统中的高压线检测处理进行了软件开发和验证，结果表明了该平台下算法的有效性，为后续在工程实践中的进一步应用提供帮助。
1 总体方案实现
1.1 雷达系统组成
机载雷达系统组成框图如图1所示，其中智能处理模块主要采用TX2，外部通过网线与信号处理模块通信。当雷达工作时，信号处理模块负责接收雷达控制信息和回波数据，并对数据进行预处理（如信号脉压、校正、积累等），然后将预处理后的数据发送给智能处理模块；智能处理模块在接收数据的过程中进行心跳包应答回复，在数据接收完成后基于深度学习网络模型的智能处理算法对高压线进行检测，再将结果发送给信号处理模块。该方案对原有机载雷达系统改动小，仅增加智能处理模块，便能够很好地实现基于深度学习的高压线探测技术。
图1 雷达系统组成框图
1.2 TX2硬件结构
基于深度学习网络模型的高压线智能检测算法对硬件平台的计算量和存储量都有着非常高的要求，本文采用技术成熟的TX2模块工业板及配套底板。TX2是一款人工智能高性能嵌入式计算平台，其核心芯片是Tegra Parker SOC，采用ARM+GPU的架构，如图2所示。其中，CPU集群由双核Denver2处理器和四核ARM Cortex A57通过高速一致性结构连接；GPU由两个英伟达Pascal架构的多数据流处理器（SM）组成，每个SM具有128个CUDA内核。另外，芯片还包含一个128位的内存控制器，集成了8 GB LPDDR4板载内存供CPU和GPU同时使用、32 GB eMMC闪存用于快速读写，功耗在7.5~15 W之间［8-9］。
图2 TX2硬件结构图
1.3 软件实现流程
智能处理软件基于Ubuntu操作系统采用Python语言进行开发，其软件实现架构如图3所示。
图3 智能处理软件架构图
数据接收任务：负责接收来自信号处理模块的数据，并进行握手判断和心跳应答、数据解析和存储，在天线扫描换向时将存储的数据发送给图像分割任务、峰值检测任务和后处理任务，其具体处理流程如图4所示。
图4 数据接收任务处理流程图
图像分割任务和峰值检测任务：负责初始化各自的模型参数并进行模型加载，对接收到的数据进行预处理，然后输入模型进行推理，将推理后的结果发送给后处理任务，其具体处理流程如图5所示。
图5 图像分割和峰值检测任务处理流程图
后处理任务：负责接收来自数据接收任务的数据、图像分割和峰值检测任务的结果，然后基于后处理策略进行高压线检测，再将结果发送给信号处理模块，其具体处理流程如图6所示。
图6 后处理任务处理流程图
2 算法原理描述
2.1 图像分割
基于深度学习的语义分割网络框架和高压线的特点，设计了一种深度梯度网络模型（DGNET）用于图像分割处理［10-13］，模型结构如图7所示，其中输入和输出的图像大小都是256×256，模型主要包含卷积、池化、采样等处理。
图7 图像分割网络模型结构
图像分割算法主要步骤：首先对信号预处理后的回波数据逐层按照方位向进行拼接，形成方位距离图；为满足网络模型的要求，对方位距离图进行缩放及归一化处理；最后通过已训练的网络模型进行图像分割处理，得到二维的黑白像素点语义分割结果。
2.2 峰值检测
传统CFAR检测通过滑窗的方式对信号回波数据进行遍历来判断是否有目标存在，可利用卷积神经网络模型替换CFAR检测，将对信号的检测问题转换为识别问题。同时，为了解决检测过程中不同样本间的大量数据重复计算问题，设计了一种分组池化卷积神经网络模型（GPCNN）用于峰值检测处理，其模型结构如图8所示。该模型首先对回波信号进行第一层的卷积与池化；接着对第一层中2个长度减半的池化结果分别进行第二层的卷积与池化，共得到4个长度为原输入数据1/4的池化结果；然后通过拉直展开方式对池化结果进行全连接；最后计算概率得到目标类型。
图8 峰值检测网络模型结构
峰值检测算法主要步骤：逐层并按照方位将信号预处理后的回波数据输入已训练的网络模型进行目标点检测，从而得到不同类型的目标点数据。
2.3 后处理
高压线后处理算法主要包含如下步骤：
1） 目标点数据坐标转换：将图像分割结果按照比例关系从像素点坐标系转换为和峰值检测相同的极坐标系。
2） 单俯仰层高压线提取：分别对图像分割和峰值检测的目标进行运动补偿、目标跨阶，在一定的方位、距离范围对两者进行融合去除虚警，再基于启发式搜索法对高压线进行提取。
3） 俯仰层间高压线融合：对多个俯仰层之间的高压线构造封闭结构模型，计算闭合面积判断高压线是否可以合并，通过多项式拟合得到合并后的高压线参数。
4） 天线行间高压线融合：将当前天线行检测出的高压线和之前天线行积累的高压线进行融合，仍采用闭合面积的计算方法。
3 仿真结果验证
3.1 模型训练
选用某雷达在不同场景（包括平原、城区、山谷、山区等典型场景）中的仿真数据对算法模型进行训练，同时为进一步增强模型的泛化能力、防止过拟合，在损失函数中增加L2正则化项。样本训练的数据集和相关参数设置如表1和表2所示。
表1 训练的数据集
场景类型平原城区山谷山区总计样本数950 3 856 2 300 1 339 8 445
表2 训练的参数设置
参数名称图像大小迭代次数批次大小学习率学习衰减率策略最终衰减率参数值256×256 400 10 5×10-4每迭代150次衰减1×10-1 5×10-6
通过不同场景的样本集和损失函数中的正则化设计方法，可以提高模型的泛化性能，这种泛化进一步提升了算法对场景的适应性和鲁棒性，对高压线检测的稳定性产生积极的作用。
3.2 仿真验证
本文雷达系统中的智能处理模块和信号处理模块之间通过网络通信，所以需要将两者的IP地址设置为同一网段；同时，将网络模型和模型参数存储在和程序中约定的相同路径下。雷达上电后，程序自动运行并对模型进行加载和模型参数读取。
以某雷达的仿真数据为例进行验证，该雷达采用多俯仰层的扫描机制。由于雷达扫描过程中俯仰角的不断变化，使得每个天线行的回波中包含多层扫描信息，通过多层信息融合有利于避免从单层信息中检测出的高压线虚警，从而提高检测的准确性。为了便于仿真结果对比，选取某个天线行中回波信号相对较强的4层进行分析，雷达回波图像如图9所示。从图9可知，红圈内高压线目标信号几乎淹没在杂波中，信杂比低，传统的CFAR检测效果很不理想。
图9 不同俯仰层的回波图
图9中的雷达回波图通过深度梯度网络模型（DGNET）推理后输出的图像分割结果如图10所示。图10中的白色表示模型推理出目标位置信息，红圈内的表示虚警目标，蓝圈内的表示漏检目标，虚警或漏检目标的改善处理将在如下的后处理策略中进行描述。
图10 基于DGNET模型的图像分割结果图
图9中的某个方位向的雷达回波通过分组池化卷积神经网络模型（GPCNN）推理后输出的目标点结果如图11所示，其中黑点表示模型推理出的目标位置信息。将所有方位向检测出的目标点映射到对应层的雷达回波图上，如图12所示。
图11 某个方位向下的峰值检测结果图
图12 基于GPCNN模型的峰值检测结果
从图10和图12可以看出，图像分割和峰值检测都存在一定的虚警或漏检情况。在后处理策略中，通过将两者的检测结果相融合可以有效地抑制虚警，同时多俯仰层间和多天线行间的高压线融合使得高压线检测更稳定和完整，最终检测输出的高压线结果如图13（a）所示，其中，“+”表示当前载机位置，蓝色的虚线表示真实存在的高压线，红色的实线表示当前天线行通过检测和融合处理后输出的高压线。软件运行过程中相关任务的实时处理时间如图13（b）所示。此外，基于传统高压线检测算法对相同的回波信号进行仿真验证，结果未能检测出高压线，原因是回波信号的信杂比低，CFAR滑窗无法检测到有效的目标点。
图13 基于TX2嵌入式平台的高压线处理结果图
从图9~图13可知，在地面杂波复杂的场景下，雷达接收到的回波信号很不理想，传统的机载雷达高压线检测方法对高压线的散射特性利用不充分，依赖于高信杂比，检测性能得不到保证。而面对同样的杂波环境，基于深度学习网络模型的检测方法对高压线的检测性能更优，在大量训练样本数据的支撑下，系统能够保持良好的高压线检测能力。另外，TX2嵌入式平台下的图像分割和峰值检测为并行处理任务，模型处理时间均约为2.2 s，后处理时间约为10 ms，可以满足高压线检测的实时性要求。
上述图9~图13是以某个天线行数据为例进行分析，对当前飞行过程中所有天线行检测结果进行统计，距离3 000 m内的高压线检测概率可达95%以上、虚警概率在8%左右。相比于传统的检测方法，性能得到了极大的改善。
4 结束语
随着技术的快速发展和周边环境的不断变化，高压线的探测需求也会不断提高，而雷达作为关键的传感器必须具备更加精细全面的环境感知能力和更加快速实时的信息处理能力。本文通过TX2嵌入式平台研究了一种基于深度学习网络模型的高压线智能处理技术，试验结果表明了该平台下技术的有效性，为后续在工程实践中的进一步应用提供帮助。
本文使用的TX2硬件平台来源于美国英伟达公司，后续应考虑在国产化GPU、NPU等硬件下进行软件的移植和验证工作。另外，文中设计的图像分割和峰值检测网络模型是通过提取仿真样本数据中已知目标特性进行学习训练生成，使用实测数据验证时可能存在性能下降的问题，后续可利用实测数据进一步训练优化模型，提升模型在实际使用场景中的性能。最后，为了实现端到端的高压线智能检测，未来工作中应考虑如何将多幅图像同时输入模型进行融合处理，同时，如何优化模型结构、如何在线更新等问题也需进一步研究。
［1］ 石星.毫米波雷达的应用和发展［J］.电讯技术,2006，46（1）:1-9.
［2］ 喻江波.毫米波雷达对电力线检测的关键技术研究［D］.南京：南京理工大学，2015.
［3］ 罗旌胜，贺治华，熊伟，等.毫米波雷达高压线检测技术的研究进展［J］.电讯技术，2016，56（10）：1174-1182.
［4］ 吴亿锋，程宇峰，邓晓波，等.人工智能驱动下的雷达发展思考［J］.现代雷达，2019，41（10）:19-23.
［5］ 施端阳，林强，胡冰，等.深度学习在雷达目标检测中的应用综述［J］.雷达科学与技术，2022，20（6）：589-605.
［6］ MA Qirong, GOSHI D S, SHIH Y C, et al.An Algorithm for Power Line Detection and Warning Base on a Millimeter-Wave Radar Video［J］.IEEE Trans on Image Processing, 2011, 12（20）: 3534-3543.
［7］ KRIZHEVSKY A, SUTSKEVER I, HINTON G E.ImageNet Classification with Deep Convolutional Neural Networks［J］.Communications of the ACM, 2017, 60（6）:84-90.
［8］ 周玉金，谢宜壮，乔婷婷，等.基于Jetson TX2的SAR船只目标检测实现［J］.信号处理，2022，38（2）:426-431.
［9］ 吉胜.基于嵌入式平台的水下图像增强系统研究［D］.南京:南京航空航天大学，2020.
［10］ 杜兰，吕国欣，石钰.基于GAN的ISAR图像语义分割方法［J］.雷达科学与技术，2021，19（5）：479-490.
［11］ 林海，庞妙珍，刘天成.基于改进DarkNet网络的轻量型车型识别方法［J］.现代计算机，2021，27（24）:100-104.
［12］ 张中信.基于卷积神经网络的野外道路环境感知技术研究［D］.徐州：中国矿业大学，2020.
［13］ SHELHAMER E，LONG J, DARRELL T.Fully Convolutional Networks for Semantic Segmentation［C］//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition，Boston: IEEE, 2015: 3431-3440.