基于神經網絡的電磁感應探雷目標識別方法

王宏偉,楊 力,張方雨

(陸軍工程大學野戰工程學院，江蘇 南京 210007)

0 引言

地雷作為一種爆炸性武器，常布設于地表或地下，用于阻滯和殺傷敵人，在戰爭中發揮了重要作用。然而，戰后遺留地雷嚴重威脅平民生命和財產安全，給戰后重建和生產生活帶來嚴重障礙，因此國際社會廣泛開展戰后掃雷行動以解決地雷遺留問題。在地雷掃除過程中，地雷目標的準確探測和識別是進行后續清排工作的前提，對于減少作業人員意外傷亡、提高作業效率起著至關重要的作用。目前，地雷探測技術類型很多，傳統技術如電磁感應探雷技術、紅外探雷技術等，新技術包括基于聲-地震耦合的聲共振探雷技術、動物探雷技術等。電磁感應探雷是通過金屬的渦流效應實現對含有金屬的地雷目標的探測[1]；紅外探雷技術是利用地雷與周圍背景間的熱輻射差異來探測地雷目標[2-3]；聲共振探雷技術通過檢測聲耦合地震波引起地雷上方土壤振動的變化特性來確定地雷位置[4]；動物探雷技術是利用動物靈敏的嗅覺檢測地雷中的炸藥成分[5]。在上述地雷探測技術中，電磁感應探雷技術具有技術簡單有效，適合野外單兵作業的優點，在探雷領域占有重要地位，也是目前戰后掃雷中應用最為廣泛的探雷器材。

地雷的種類多種多樣，戰后掃雷中的地雷類型主要分為殺傷人員地雷和反車輛地雷[6]，其中殺傷人員地雷主要用于殺傷人員，是戰后掃雷中最重要的目標，也是對作業人員威脅最大的地雷類型。在殺傷人員地雷的發展過程中，為了提高其防探測能力，地雷中的金屬含量越來越少，使得電磁感應探雷的難度不斷增大。但同時也推動了探雷器往高靈敏度方向發展，目前利用電磁感應原理的探雷器已經能夠探測到僅含1 g以下金屬零部件的地雷。在實際作業時，采用電磁感應的探雷技術，通常只能辨別是否有金屬目標，而無法進一步獲得目標尺寸、類型等詳細信息，需要進一步采用挖掘等方式來確認金屬目標是否為地雷，而探測靈敏度的提升必然帶來虛警率的提高，因此，嚴重影響作業效率，同時也存在較大的安全隱患。近年來，神經網絡算法在多個領域得到廣泛應用，尤其在模式識別、信號處理、機器學習等方面具有突出的優勢，但是在探雷器探測識別地雷目標方面研究和應用還較少。已有研究主要是通過金屬質量等效法[7]或以金屬電磁感應信號波形為依據[8]，對含有金屬的地雷目標進行識別，屬于理想情況下的理論研究，沒有考慮實際情況下土壤背景和金屬干擾物等因素對地雷探測的影響。因此，本文針對我國某型基于時域多時寬雙極性脈沖電磁感應原理的探雷系統，在目標探測信號分析基礎上，進行典型地雷目標及干擾物探測試驗，獲取探測信號樣本，通過設計雙層BP神經網絡結構，實現對所探測目標的判斷和識別。

1 電磁感應探雷原理及探測信號分析

電磁感應探雷是利用金屬導體在交變電磁場作用下的渦流效應，對地雷中的金屬零部件進行探測的一種探測方法，是目前便攜式探雷器的主要技術之一。在實際應用中，電磁感應探雷的方法主要分為頻域和時域兩類，具有代表性的有頻域的平衡法、阻抗變換法及時域的脈沖感應法。由于時域脈沖感應法具有高靈敏度和良好的土壤背景適應性，已成為地雷探測技術的主要發展方向之一。我國研究單位提出的基于時域多時寬雙極性脈沖電磁感應技術[9]，不僅保留了傳統的電磁感應金屬探測方法的高靈敏度特性，同時具有良好的土壤抑制性，可適用不同的探測環境，已用于探雷器研制并得到實際應用，探測系統工作原理如圖1所示。系統由探頭、發射電路、接收電路、數據處理單元組成。探頭采用收發一體線圈，通過脈沖發射電路產生脈沖信號激勵發射線圈，金屬目標產生二次感應信號并被接收線圈所接收，通過信號處理電路實現對目標的探測。

圖1 探測系統工作原理Fig.1 Working principle of detection system

該探測系統采用多時寬雙極性脈沖電磁感應原理。由于金屬目標的二次衰減特性與材質、尺寸形狀等有關，而且紅土、磁性土等背景與金屬目標的二次衰減特性也有明顯差別，因此，對于埋設在土壤中的含有金屬的地雷目標，二次衰減曲線包含了金屬和土壤背景的共同響應，通過控制采樣脈沖的延時時間，對金屬和土壤不同敏感區間截取并輸出，如圖2(a)所示，可作為目標識別的有效輸入特征。在探測系統實際采樣輸出時，通過對三個區間積分，作為輸出信號值，分別從1、2、3三個通道輸出，如圖2(b)所示。

圖2 三通道采樣示意圖Fig.2 Diagram of three channel sampling

三個通道分別對應三個不同時延和不同時寬的采樣門限，其中1通道位于感應曲線前端的快速衰減區，2通道的采樣門限位于感應曲線后端，3通道的采樣門限則橫跨整個感應曲線大部分區域，既包含了衰減較快的區間又包含了衰減較慢的區間。研究表明，二次感應信號衰減的快慢取決于目標信號的導電和導磁特性，通常純磁性目標或者弱導電性目標的二次感應信號的衰減都很快，而鐵磁性目標或者大尺寸目標的衰減率則比較慢；而且實驗還表明，金屬目標的二次感應信號衰減受脈沖寬度變化不大，而土壤背景對于不同時寬的脈沖，則顯現不同的響應特性[9]。因此，該探測系統在實際應用時，1通道信號主要對應金屬目標特征，2通道通常反映土壤背景特征，3通道則反映金屬和土壤的耦合特征。圖3為探測系統探測埋設在粘性土壤中的地雷目標(Ⅰ型殺傷人員地雷模型，金屬鐵含量約為1.09 g)和鋁片(3 cm×3 cm×0.11 mm)時的三個通道輸出信號對比圖。圖3(a)為地雷模型和鋁片的實物圖，圖3(b)、(c)、(d)分別為經濾波處理后的1、2、3通道輸出信號對比。

圖3 地雷模型和鋁片輸出信號對比Fig.3 Comparison of output signals between mine model and aluminum sheet

從圖3可知，Ⅰ型殺傷人員地雷模型和鋁片在同一埋深下，探雷系統測得的三個通道信號在最大值、最小值、相對變化關系等方面存在明顯差異，其本質原因是由于金屬脈沖感應的二次衰減曲線綜合反映了目標材料性質、結構尺寸以及土壤背景等響應特征。通過對地雷目標和各類干擾金屬物體的大量試驗測試和分析，也驗證了前面理論分析的結論。因此，三個通道的輸出信號可以作為區分地雷目標和干擾物的基本依據。基于上述分析，以三個通道的輸出信號作為基本特征量，構建神經網絡，能夠實現對探測目標的識別和判斷。

2 地雷目標識別神經網絡模型構建

2.1 神經網絡模型的選擇

神經網絡在模式識別領域具有廣泛的應用，按其網絡結構層次，可分為單層神經網絡(只有一個計算層)、雙層神經網絡(兩個計算層)和多層神經網絡結構(多個計算層)。三種典型神經網絡類型在數據量、硬件支撐條件等方面的差異性見表1。

表1 三種典型神經網絡類型的差異Tab.1 Differences of three typical neural network types

目前，實際掃雷作業中便攜式探雷器應用最為廣泛，而且由前面分析可知，基于電磁感應原理的目標探測識別，是根據電磁感應的二次衰減曲線特性，實現對地雷目標和其他干擾物的快速識別和區分，因此，要求模型結構相對簡單、硬件要求不高、實時性和準確性好。綜上所述，基于復雜程度、硬件條件支撐和計算精度等方面的綜合考慮，選擇BP雙層神經網絡模型，用于實現對地雷目標的識別。

BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，是應用最廣泛的神經網絡模型之一，其結構如圖4所示，由輸入層、中間層和輸出層組成。BP神經網絡的學習過程由信號的前向傳播和誤差的反向傳播兩個過程組成。在前向傳播過程中，輸入樣本從輸入層傳入，經過隱藏層計算到達輸出層，如果實際輸出與期望輸出不符，則轉向誤差的反向傳播階段。反向傳播過程中，先利用損失函數求得模型的最終誤差，接著將誤差自隱藏層向輸入層反傳，獲取每個神經元的誤差，調整輸入節點與隱藏節點和隱藏節點與輸出節點的權重和閾值，使誤差沿梯度方向下降，最后得出誤差最小對應的權重和閾值，從而構建損失函數最小的最優神經網絡模型。

圖4 雙層神經網絡結構Fig.4 Double layer neural network structure

2.2 基于BP神經網絡的地雷目標識別模型設計

基于神經網絡的地雷目標識別，其主要原理是根據探測系統探雷時的三個通道的輸出，區分地雷目標和金屬干擾物，實現對地雷目標的識別和判斷。因此，根據BP神經網絡模型，分別對輸入層、隱藏層、輸出層進行設計，如圖5所示。其中，輸入層為目標特征量，由各通道輸出值構成；輸出層為判別結果，分別對應地雷、小干擾目標和大干擾目標三個輸出；隱藏層由一定數量的神經元組成,通常依據誤差和問題復雜程度確定。

圖5 神經網絡結構Fig.5 Neural network structure

2.2.1輸入層的確定

地雷一般含有鐵磁性金屬材料，而干擾物多為鐵、銅、鋁等材料以及相應的合金物；地雷形狀一般為圓形，而干擾物則可能為線狀、條狀、片狀、錐體、方體、球體等。反映在探測信號中，就是每個目標1、2、3通道探測信號曲線中的峰值、波形等存在差異，這些值綜合反映了目標材料性質、大小、探測距離等因素的影響。故取1、2、3通道探測信號曲線中的峰值V1、V2、V3和有效數據均方差σ1、σ2、σ3作為BP神經網絡輸入，即

x=[V1,V2,V3,σ1,σ2,σ3]T。

(1)

式(1)中，V1為1通道信號峰值，V2為2通道信號峰值，V3為3通道信號峰值；σ1,σ2,σ3表達式如下：

(2)

(3)

(4)

式中，y1、y2、y3表示1、2、3通道輸出電平值。

2.2.2隱藏層的確定

在網絡設計過程中，隱藏層神經元的確定與輸入、輸出層的神經元個數和問題的復雜程度以及誤差有重要關系。隱藏層神經元過多會導致訓練時間增加和過度擬合，神經元過少不能體現樣本規律。目前，隱藏層神經元數目確定一般依賴經驗公式。由試驗獲得的批量樣本數據(x，y)的基本構成可知，由于x為六維向量，y為三維向量，故擬神經網絡中輸入層神經元個數n0=6，輸出層神經元個數n2=3。中間隱含層神經元個數n1一般采用如下的經驗方法確定：

(5)

根據上式確定隱含層神經元個數為15。

2.2.3輸出層的確定

根據理論分析和試驗測試，結合探雷作業實際情況，將探測信號目標類型分為小干擾目標y1、地雷目標y2和大干擾目標y3三個類型。根據探雷器性能測試相關標準[10]，通常以地雷的探測信號值作為參考，對金屬干擾物進行劃分。因此在實驗中，為便于神經網絡更好識別干擾物，以Ⅰ型殺傷人員地雷為標準，將輸出信號同地雷輸出信號相似的金屬干擾物分為小干擾目標，輸出信號與地雷輸出信號差別較大的分為大干擾目標。因此，

y=[y1,y2,y3]T。

(6)

3 試驗與分析

3.1 典型地雷及干擾目標探測信號采集

地雷目標選取金屬含量較低的Ⅰ型殺傷人員地雷和Ⅱ型殺傷人員地雷兩種；干擾目標17種，涉及材質有鐵、銅、鋁及其合金等，幾何形態有線狀、條狀、片狀、方體等。具體試驗目標材料特性、形狀大小、目標類型見表2所示。

表2 目標特性統計表Tab.2 Target signal detection method

實際地雷通常埋藏于粘性土壤內，故選擇粘土作為實驗環境，基本環境為表面無植被，淺表土層較干凈，無雜物，背景信號干凈，以滿足探測取樣試驗需要。探測方法如圖6(a)所示，探測試驗時，將便攜式手持探雷器安裝在移動行車上(如圖6(b))，將探頭設置在離地面2 cm左右，保持不變，每個目標在2～10 cm間設置多種埋深。移動行車，使探雷器探頭正好經過目標上方，每個目標探測器來回各探掃三次。

圖6 目標信號探測方法Fig.6 Target signal detection method

3.2 地雷目標識別神經網絡模型訓練

BP網絡的訓練過程就是對權值和閾值調整的過程，使損失誤差最小，實際輸出與期望的輸出相一致。一般兩層神經網絡的激活函數采用Sigmoid函數居多，故激活函數采用Sigmoid函數。對于參數w和b的初始化，采用打破對稱性的方式，對w、b初始值進行隨機化，w和b初始值具體取值都為(-1，1)之間的隨機數。α代表神經網絡的學習效率，用于控制參數w和b變化的速度以及達到最優值所需要的訓練時間，采用試探的方法從大到小取值進行訓練。最后確定α=0.05時，輸出的誤差值最終能比較穩定地趨向一個較小值。

設定完參數后，利用采集到的樣本信息，提取信號特征值作為神經網絡學習數據，進行樣本訓練。神經網絡訓練結果如圖7所示，設定訓練次數為15 000次，用時7.921 2 s，地雷目標的識別正確率達到了100%，大干擾目標的識別正確率達到96.5%左右，小干擾目標的識別正確率為60%。由于小干擾目標的輸出信號與地雷目標輸出信號相似，故小干擾目標的識別正確率不高。從訓練結果看，達到了訓練預期，將神經網絡權值保存。

圖7 神經網絡訓練過程Fig.7 Neural network training process

3.3 地雷目標識別效果驗證與分析

為檢測基于實測樣本數據訓練得到的神經網絡模型的目標識別有效性，在相同試驗條件下，采集地雷目標和干擾目標的探測信號數據作為測試數據，對經過訓練學習的神經網絡識別模式進行驗證和分析。識別結果如表3所示，地雷目標的識別率為95.2%，但大干擾目標和小干擾目標識別率不高。

表3 神經網絡識別驗證結果Tab.3 Neural network recognition verification results

分析其結果可知，由于在進行目標識別時，加入了埋深這一變量，導致地雷和干擾物在不同埋深情況下可能出現輸出信號相似的可能，從而影響了干擾物目標識別的準確率。為了排除埋深的干擾，分別測試不同埋深下的目標識別率，結果如表4所示，地雷目標的識別率大于91.7%，目標埋深10 cm時，識別率最低，與該電磁感應探雷系統探測能力相吻合。

表4 不同埋深下的目標識別率Tab.4 Target recognition rate under different buried depths

試驗結果表明，對于實測的2種典型殺傷人員地雷和17種常見金屬干擾物，地雷目標的識別率均超過了90%，證明了構建的神經網絡模型經訓練學習后，對探測目標的識別具有較好的能力，也驗證了基于神經網絡的目標識別方法的可行性。但是通過對識別結果的分析，也存在部分識別錯誤的情況，比如小干擾目標以及輸出信號和地雷目標相似的干擾物被識別成了地雷，這是因為這些小干擾目標在質量上和地雷比較接近，而且在形狀上與地雷內的彈簧、擊針等也有一定的相似性，從探測信號的角度而言，其差異性不明顯，所以出現了識別錯誤。這些誤判結果也表明，基于電磁感應原理探測技術在探測發現金屬目標上具有較好的能力，但是在分辨目標特征時存在較大的難度，同時，在提高金屬探測靈敏度的同時，也必然會造成虛警率的提高，這些問題都是目前利用該技術進行實際探雷器設計和應用時所需重點解決的關鍵問題。從基于神經網絡對地雷目標識別角度而言，在探測信號包含不同目標特征信息的情況下，通過更加合理地特征分類和參數優化、更多的樣本學習和訓練，可以在一定程度提高對探測信號目標類型的識別率。

4 結論

本文針對地雷探測中的目標識別問題，對基于電磁感應原理的金屬探測信號特征進行理論分析和試驗測試，并結合實際作業中殺傷人員地雷識別的現實需求，確定地雷目標和干擾物類型，構建BP雙層神經網絡模型，進行模型的學習訓練和實際驗證。結果表明基于電磁感應信號特征構建的神經網絡模型，能夠較好地識別金屬含量較低的殺傷人員地雷和典型干擾物。同時，通過試驗測試和模型應用也發現，利用神經網絡進行地雷目標識別時，其本質是根據不同目標輸入特征的差別，如果地雷目標和干擾物的電磁感應特征無明顯差別時，將難以通過后面的數據處理和算法進行有效識別。綜上所述，地雷目標的探測和識別是非常復雜的問題，應在目標特征分析基礎上確定適合的數據處理方法和識別算法，本文研究的基于神經網絡的地雷目標識別方法，能夠為地雷探測技術研究和探雷器材研制提供理論依據和技術支持。