علوم و فنون نظامی

علوم و فنون نظامی

بهبود کیفیت تشخیص و شناسایی تصاویر رادار SAR با بکارگیری شبکه عصبی درافزایش ضریب امنیت فنون دفاعی

نوع مقاله : مقاله پژوهشی

نویسندگان
علی علیزاده 1
جلیل مظلوم 2
بهرنگ هادیان 2
احمد دولت خواه 3
بهنام درستکار 4
1 دانشکده مهندسی برق دانشگاه علوم و فنون هوایی شهید ستاری. تهران. ایران.
2 دانشکده مهندسی برق دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایران.
3 گروه فاوا، دانشگاه علوم انتظامی امین، تهران، ایران .
4 گروه فاوا، دانشگاه علوم انتظامی امین، تهران، ایران.
10.22034/qjmst.2024.1989067.1841
چکیده
هدف: در علوم نظامی استفاده از فناوری های مخابراتی بدلیل دریافت اطلاعات دشمن از راه دور حائر اهمیت بوده و سیستم رادار روزنه مصنوعی به عنوان رادار تصویر‌برداری است که توانایی شناسایی و جداسازی بالایی دارد. با توجه به ماهیت تشکیل تصاویر رادار روزنه مصنوعی، وجود نویز لکه به عنوان مهمترین عامل تخریب کیفیت این تصاویر و خطای تصمیم گیری می‌باشد.
روش: براین اساس وجود یک مرحله پیش پردازش گر به منظور آشکارسازی و شناسایی داده ها و کاهش نویز لکه بسیار حائز اهمیت می باشد. هدف اصلی ارائه الگوریتمی توانمند بر پایه هوش مصنوعی در جهت بهبود تشخیص اهداف زمینی رادار SAR با الگوریتم‌های تشخیص اشیاء بوده که از طریق هواپیما یا ماهواره‌ به منظور رصد نمودن اهداف زمینی‌، اخذ شده‌است
تجزیه و تحلیل: مدل پیشنهادی در مرحله پیش‌پردازش پس از کاهش اثر نویز لکه بر روی تصاویر رادار SAR به کمک فیلتر Lee، ﺑﻪ ﺑﺮرﺳﯽ بهبود تشخیص اهداف زمینی رادارSAR پرداخته می شود
تحلیل نتایج: با استفاده از الگوریتم‌های YOLO و RCNN که الگوریتم RCNN در تشخیص تصاویر نویززدایی شده MSTAR با میانگین دقت 99.84% نسبت به YOLO با میانگین دقت 90.424% از عملکرد بهتری برخوردار می‌باشد، اما در تشخیص تصاویر نویزی MSTAR روش YOLO با میانگین دقت 80.875% نسبت به روش RCNN با میانگین دقت 61.49% از عملکرد بهتری برخوردار جهت شناسایی و بهبود تصاویر و افزایش ضریب اطمینان سیستم می باشد.
کلیدواژه‌ها
رادار روزنه مصنوعی
آشکارسازی تصویر
ضریب امنیت علوم نظامی
نویز لکه

موضوعات

عنوان مقاله English

Improving the quality of SAR radar image detection and identification using neural network to increase the security factor of military tactics

نویسندگان English

ali alizade 1
Jalil Mazloum 2
behrang hadian 2
ahmad dolatkhah 3
behnam dorostkar 4
1 Department of Electrical Engineering, Shahid Sattari Aeronautical University of Science and Technology. Tehran. Iran.
2 Department of Electrical Engineering, Shahid Sattari Aeronautical University of Science and Technology Tehran, Iran.
3 Department of Information and Comunication Technology, Amin Police University, Tehran, Iran.
4 Department of Information and Comunication Technology, Amin Police University, Tehran, Iran.
چکیده English

Purpose: In military science, the use of telecommunication technologies is very important because of receiving enemy information from a distance, and the artificial aperture radar system is an imaging radar that has a high detection and separation ability. According to the nature of formation of artificial aperture radar images, the presence of speckle noise is the most important factor in destroying the quality of these images and making a decision error.
Method: Therefore, it is very important to have a pre-processing stage in order to reveal and identify the data and reduce the spot noise. The main goal is to provide a powerful algorithm based on artificial intelligence to improve the detection of SAR radar ground targets with object detection algorithms that are obtained through airplanes or satellites in order to monitor ground targets.
Analysis: In the pre-processing stage, after reducing the effect of speckle noise on SAR radar images, the proposed model is investigated to improve the detection of SAR radar ground targets with the help of Lee filter.
Analysis of the results: by using YOLO and RCNN algorithms, the RCNN algorithm has a better performance in detecting denoised MSTAR images with an average accuracy of 99.84% compared to YOLO with an average accuracy of 90.424%, but in detecting noisy MSTAR images, the YOLO method With an average accuracy of 80.875%, compared to the RCNN method with an average accuracy of 61.49%, it has a better performance for identifying and improving images and increasing the reliability of the system.

کلیدواژه‌ها English

Synthetic aperture radar
image detection
military science security factor
spot noise
اکبریان, حسن, & صداقی, محمدحسین. (1402). شناسایی خودکار شناورهای سطحی در سونار غیرفعال با استفاده از فناوری‌های نوظهور هوش مصنوعی و یادگیری عمیق. آینده‌پژوهی دفاعی, 8(30)-182-149.
بیات, میثم, فتحی, مهرداد, & هوشمند, رضا. (1401). ارایه یک الگوریتم بهبود یافته تطبیقی به منظور حذف اثر اخلال‌گر نقطه ای در گیرنده رادارهای پالسی. نشریه"فناوری اطلاعات و ارتباطات انتظامی، 3(9)، 92-81.
کریمی, ناصر, & تابان, محمدرضا. (1398). نویززدایی از تصویر رادار روزنه مجازی با استفاده از هموارسازی منطبق و نمایش تنک. مجله رادار, 7(1).14-1.
درستکار یاقوتی, بهنام. (1402) بازیابی ویدئو مبتنی بر محتوا با استفاده از شبکه عصبی عمیق برای کشف علمی جرائم در پلیس هوشمند، نشریه فناوری اطلاعات و ارتباطات انتظامی، 4(13)، 21-11.
رحمانی, محسن, & علیزاده, حامد. (1400). کاربردهای فناوری هوش مصنوعی در سامانه‌های فرماندهی و کنترل هوشمند. دوفصلنامه بازی جنگ، 4(8)، 101-77.
شفیعی, احمد, یزدیان, احسان, & بهشتی, مجتبی. (1395). کاهش نویز لکه و بازسازی تصویر رادار روزنه مصنوعی با استفاده از حسگری فشرده. مجله رادار, 4(2) ،29-19.
صمدینیا, پرشین, رهبر, کامبیز, & برومندنیا, علی. (1401). همجوشی موثرتصاویرچندکانونی با استفاده از نقشه عمق. نشریه"فناوری اطلاعات و ارتباطات انتظامی، 3(10)، 70-59.
Bollian, T., Osmanoglu, B., Rincon, R., Lee, S. K., & Fatoyinbo, T. (2019). Adaptive antenna pattern notching of interference in synthetic aperture radar data using digital beamforming. Remote Sensing, 11(11), 1346.
Chen, S. W., Cui, X. C., Wang, X. S., & Xiao, S. P. (2021). Speckle-free SAR image ship detection. IEEE Transactions on Image Processing, 30, 5969-5983.
Chen, S., & Wang, H. (2018, October). SAR target recognition based on deep learning. In 2014 International Conference on Data Science and Advanced Analytics (DSAA) (pp. 541-547). IEEE.
Chen, S., Wang, H., Xu, F., & Jin, Y. Q. (2018). Target classification using the deep convolutional networks for SAR images. IEEE transactions on geoscience and remote sensing, 54(8), 4806-4817.
Ding, J., Chen, B., Liu, H., & Huang, M. (2021). Convolutional neural network with data augmentation for SAR target recognition. IEEE Geoscience and remote sensing letters, 13(3), 364-368.
Du, K., Deng, Y., Wang, R., Zhao, T., & Li, N. (2016). SAR ATR based on displacement-and rotation-insensitive CNN. Remote Sensing Letters, 7(9), 895-904.
Moreira, A., Prats-Iraola, P., Younis, M., Krieger, G., Hajnsek, I., & Papathanassiou, K. P. (2013). A tutorial on synthetic aperture radar. IEEE Geoscience and remote sensing magazine, 1(1), 6-43.
Morgan, D. A. (2015, May). Deep convolutional neural networks for ATR from SAR imagery. In Algorithms for Synthetic Aperture Radar Imagery XXII (Vol. 9475, pp. 116-128). SPIE.
Karimi, N., & Taban, M. R. (2019, August). SAR Image Denoising Using Adaptive Smoothing and Sparse Representation. In Radar (Vol. 7, No. 1, pp. 1-14). Imam Hussein University.
Keydel, E. R., Lee, S. W., & Moore, J. T. (1996). MSTAR extended operating conditions: A tutorial. Algorithms for Synthetic Aperture Radar Imagery III, 2757, 228-242.
Wilmanski, M., Kreucher, C., & Lauer, J. (2019, May). Modern approaches in deep learning for SAR ATR. In Algorithms for synthetic aperture radar imagery XXIII (Vol. 9843, pp. 195-204). SPIE.
Shafiei, A., YAZDIAN, E., & Beheshti, M. (2022). SAR SPECKLE REDUCTION AND IMAGE RECONSTRUCTION USING COMPRESSED SENSING.
Tao, M., Zhou, F., Liu, J., Liu, Y., Zhang, Z., & Bao, Z. (2013). Narrow-band interference mitigation for SAR using independent subspace analysis. IEEE transactions on geoscience and remote sensing, 52(9), 5289-5301.
Tao, M., Zhou, F., & Zhang, Z. (2021). Wideband interference mitigation in high-resolution airborne synthetic aperture radar data. IEEE Transactions on Geoscience and Remote Sensing, 54(1), 74-87.
Yu, J., Li, J., Sun, B., Chen, J., & Li, C. (2020). Multiclass radio frequency interference detection and suppression for SAR based on the single shot multibox detector. Sensors, 18(11), 4034.
Wei, S., Zeng, X., Qu, Q., Wang, M., Su, H., & Shi, J. (2020). HRSID: A high-resolution SAR images dataset for ship detection and instance segmentation. Ieee Access, 8, 120234-120254.
علوم و فنون نظامی
دوره 20، شماره 68
تابستان 1403
صفحه 115-132