**
**

卫勤分队野外射击训练系统设计

周全 牛璐 李卫东

【摘要】针对目前卫勤分队野外射击训练的问题和不足，基于神经网络和人工智能技术，设计一种卫勤分队野外射击训练系统。采用了一种通过神经网络深度学习目标检测算法和人工智能数据分析算法，基于低成本ARM系统，通过系统功能设计和关键技术研究，分析系统通讯与数据安全，能源提供及便于携行。实现了将射击训练系统从传统的图像处理转向深度学习、从固定靶场转向野外实训、从大型电脑转向微型终端、从高成本转向低成本。为卫勤分队提供了一套能自动数据采集、提高射击精度、改进武器装备、快速装载展开的全天候低成本野外射击训练考核装置，能够有效提升卫勤分队射击训练水平。

【关键词】卫勤分队｜野外射击｜训练系统

射击训练是所有军人必修的军事训练科目，卫勤分队既是保障队也是战斗队，射击训练也必不可少。目前，卫勤分队的野外驻训射击科目训练通常以固定靶场为依托，人工报靶的形式来完成。存在着人员伤亡风险、数据不准、记录不便、无法实时纠正射击动作与要领等问题。而一些固定靶场使用了自动报靶系统，其价格昂贵、部署复杂、使用场地固定，也无法满足卫勤分队在野外射击训练迅速展开的要求。因此，一种既能自动报靶、记录成绩、分析数据，又能迅速展开训练的野外射击系统是卫勤分队实战化训练的迫切需求。本文设计了一种通过神经网络深度学习目标检测YOLO V3算法，基于低成本ARM系统的卫勤分队野外射击训练系统，通过系统功能设计和关键技术开发，为卫勤分队提供了一套能自动数据采集、提高射击精度、改进武器装备、快速装载展开的全天候低成本野外射击训练考核装置。

一、系统设计

（一）系统总体设计

**
**

卫勤分队野外射击训练分析与考核系统是一套由采集终端、无线发射接收器、训练个人显示终端、训练集中显示终端、数据处理机、数据分析平台、装载携运箱等构成的一个自组网的完整运行系统。

（二）装置功能简介

**
**

采集终端：用于采集射击数据，通过图像采集的方式采集弹着点的图片信息，进行识别和计算，得到环数。带有灯光指示，方便夜间查看射击情况，具有一定的防弹功能。

无线发射接收器：在射击区和靶位区均设置了无线发射接收器，射击区发射接收器通过无线网络和训练个人显示终端连接，通过有线方式和训练集中显示终端、数据处理机连接，靶位区发射接收器通过无线网络和采集终端进行连接，从而完成组网功能连接所有设备。

训练个人显示终端：用于显示每个人每一次射击的情况，同时显示射击成绩以及语音提示射击偏差情况。

训练集中显示终端：用于显示所有的射击情况和射击成绩，同时通过此终端可对训练、人员、武器等进行管理。

数据处理机：用于射击图片的处理和分析，得到每个人射击的环数、成绩、偏差等数据，为数据分析平台提供数据。

数据分析平台：用于对每次训练、每个人的训练情况进行管理分析，同时对每支枪械的数据情况进行分析，为科学训练提供数据支撑。

装载携运箱：军队通用箱组设计，装载本项目所有的设备，具有较强的防震、防摔、防水、充电等功能，可一到两人搬运，便于快速装载、展开以及运输。

（三）分析系统功能简介

**
**

实弹射击训练分析系统是一套基于本项目设备的软件管理平台，用于对每次训练、每个人的训练情况进行管理分析，同时对每支枪械的数据情况进行分析，因此包含以下几个模块：

用户及权限管理模块：用于对训练人员身份、权限等属性的增删改查，具有导入、导出等基础功能，同时可以对个人信息进行脱敏处理。

成绩管理模块：用于管理每个训练人员每次训练的成绩，可导出也可在训练个人显示终端上显示。

训练管理模块：用于对训练方案、训练内容、训练成绩、训练方式、训练结果进行管理。

训练分析模块：用于分析个人训练情况、团队训练情况、连续训练情况等多态训练维度进行分析处理。

装备管理模块：用于对训练装备使用情况进行管理、弹药使用情况进行管理，可将装备、弹药、射击情况、射击人员等多维度信息综合分析得到装备的相关数据。

二、系统关键技术

系统的基本原理是采集终端采集后通过目标检测的方法来进行射击环数的检测，通过无线网络将信息传输至指挥席，同时通过数据分析后将数据传输至射击席位。

（一）目标边框的预测

**
**

YOLO V3网络在三个特征图中分别通过（4+1+c)k个大小为11的卷积核进行卷积预测，k为预设边界框的个数（k默认取3），c为预测目标的类别数，其中4k个参数负责预测目标边界框的偏移量，k个参数负责预测目标边界框内包含目标的概率，ck个参数负责预测这k个预设边界框对应c个目标类别的概率。

图1：目标边框预测原理图

图1中虚线矩形框为预设边界框，实线矩形框为通过网络预测的偏移量计算得到的预测边界框。我们需要计算最终预测的目标边界框（bx，by，bw，bh），从预设边界框到最终预测边界框的转换过程如公式所示：

bx=Cx+sigmoid（tx）

by=Cy+sigmoid（ty）

bw=Ph*sigmoid（tw）

bh=Pw*sigmoid（th）

其中，（Cx，Cy）为预设边界框在特征图上的中心坐标，（Pw，Ph）为预设边界框在特征图上的宽和高，（tx，ty，tw，th）分别为网络预测的边界框中心偏移量（tx，ty）以及宽高缩放比（tw，th），sigmoid函数将预测偏移量缩放到0到1之间。最终，我们可以得到最终预测的目标边界框（bx，by，bw，bh）。

（二）射击环数识别

**
**

深度学习目标检测算法自2014年的RCNN以来，开启了目标检测DL的大幕，随后有了SPP-Net，2015年迭代到Fast-RCNN、Faster-RCNN，2016年YOLO、SSD、R-FCN，特点各不相同，YOLO仅检测最后一层卷积输出层，小物体像素少，经过层层卷积，在这一层上的信息几乎体现不出来，导致难以识别，而YOLO V3的出现明显提升了小物体识别的能力，因此系统采用YOLO V3进行弹孔检测。

深度学习框架优先选择PyTorch框架，毕竟PyTorch是动态框架，TensorFlow是静态框架，参数调整有一定的优势，因此，系统的软件计算核心为PyTorch+YOLO V3，通过弹孔的目标检测，配合OpenCV的靶纸环数的识别来确定射击的环数。

三、通讯与数据安全

通讯的选择取决于采集终端的计算能力，当采集终端能够达到计算需求时采用窄带宽通讯模式，而当前端计算能不够，需要后端计算时则采用宽带宽通讯模式。为解决即时图片显示的问题，系统采用宽带宽模式，保证每个射击人员可以及时看到靶纸上的细节，从而纠正自己射击动作。通过2.4G或5GWi-Fi建立靶位与射击席和指挥席的通讯连接。为保证传输数据的安全，同时考虑到数据的密级和计算的消耗，计划采用AES加密后传输。

四、能源

作为全天候条件的使用，能源将是系统必须面临的关键问题，没有电力支持，一切归零。因此，采用了多种节能方案来解决此问题。

（一）采集部分

尽可能采用低功耗计算芯片，计划采用ARM系列CPU芯片配以低分辨率显示屏幕和智能屏幕控制解决采集终端的电力问题。

（二）射击席显示终端

采用ARM系列低功耗CPU配以EINK墨水屏，既大大降低了功耗，又提高了日照情况下的可视问题，配以LED照明显示，解决夜间射击训练的显示问题。

（三）指挥席显示终端

作为显示终端同样采用ARM系列低功耗CPU芯片，配合低功耗LCD屏幕来降低功耗。

（四）数据处理机

为进一步降低功耗，数据处理机采用ARM系列CPU和集群模式来解决ARM计算能力不足的问题，同时也解决了计算部分功耗较大的问题。

五、携行

全天候条件下，携行运输是一个较大的问题，本系统的所有设备将由两个可单兵操作的箱组完成，采用无线通讯的模式，无需连接线路，采集终端支架和射击席显示终端支架均采用具有分体式快速拆装支架，指挥席采用箱组一体式设计，因此可以实现快速展开撤收，达到即开即用，10分钟进入训练状态，10分钟还原运输模式。

六、结语

本系统集成度高，操作简单，材料成本低，便于携带，特别适合野外快速部署使用，解决了卫勤分队野外射击训练的难题及不足。下一步经过一定时间周期的应用积累，汇集较大的数据集，构建出更加精准的数学模型，建立起一套科学的训练方法，不仅可以使人员训练成绩快速提升，而且将对武器装备的改进和射击精度的提高提供科学的基础数据支撑。

参考文献

[1]陈再旺，王宏.AVR单片机在无线自动报靶系统中的应用[J].硬件纵横，2011（11）：15-20.

[2]林忠，罗德林，吕培聪.基于机器视觉技术的射击训练系统研究与设计[J].福建电脑，2012（4）：131-133.

[3]刘秋燕，陈耀武.基于视频图像分析的自动报靶方法研究[J].计算机工程，2015（12）：56-59.

[4]Sumit A.Guthe Prof.P.Soni.Target Shooting Training and Instructive System Model using Python[J].International Journal of Engineering Research & Technology(IJERT),2016(5).

[5]李子意，于洋.基于深度学习的视力保护系统[J].现代计算机，2021（9）：89-93.

[6]苑玮琦，李梦祺.基于视觉检测的胸环靶自动报靶系统研究[J].计算机技术与发展，2019（2）：147-151.

本期编辑：常绍诚‍‍‍

本期审核：林颖希

排版设计：周凯凯

文章来源：《中国军转民》杂志

合作邮箱：[email protected]

投稿邮箱：[email protected]