基于神经网络的电磁感应探雷目标识别方法

王宏伟,杨 力,张方雨

(陆军工程大学野战工程学院，江苏 南京 210007)

0 引言

地雷作为一种爆炸性武器，常布设于地表或地下，用于阻滞和杀伤敌人，在战争中发挥了重要作用。然而，战后遗留地雷严重威胁平民生命和财产安全，给战后重建和生产生活带来严重障碍，因此国际社会广泛开展战后扫雷行动以解决地雷遗留问题。在地雷扫除过程中，地雷目标的准确探测和识别是进行后续清排工作的前提，对于减少作业人员意外伤亡、提高作业效率起着至关重要的作用。目前，地雷探测技术类型很多，传统技术如电磁感应探雷技术、红外探雷技术等，新技术包括基于声-地震耦合的声共振探雷技术、动物探雷技术等。电磁感应探雷是通过金属的涡流效应实现对含有金属的地雷目标的探测[1]；红外探雷技术是利用地雷与周围背景间的热辐射差异来探测地雷目标[2-3]；声共振探雷技术通过检测声耦合地震波引起地雷上方土壤振动的变化特性来确定地雷位置[4]；动物探雷技术是利用动物灵敏的嗅觉检测地雷中的炸药成分[5]。在上述地雷探测技术中，电磁感应探雷技术具有技术简单有效，适合野外单兵作业的优点，在探雷领域占有重要地位，也是目前战后扫雷中应用最为广泛的探雷器材。

地雷的种类多种多样，战后扫雷中的地雷类型主要分为杀伤人员地雷和反车辆地雷[6]，其中杀伤人员地雷主要用于杀伤人员，是战后扫雷中最重要的目标，也是对作业人员威胁最大的地雷类型。在杀伤人员地雷的发展过程中，为了提高其防探测能力，地雷中的金属含量越来越少，使得电磁感应探雷的难度不断增大。但同时也推动了探雷器往高灵敏度方向发展，目前利用电磁感应原理的探雷器已经能够探测到仅含1 g以下金属零部件的地雷。在实际作业时，采用电磁感应的探雷技术，通常只能辨别是否有金属目标，而无法进一步获得目标尺寸、类型等详细信息，需要进一步采用挖掘等方式来确认金属目标是否为地雷，而探测灵敏度的提升必然带来虚警率的提高，因此，严重影响作业效率，同时也存在较大的安全隐患。近年来，神经网络算法在多个领域得到广泛应用，尤其在模式识别、信号处理、机器学习等方面具有突出的优势，但是在探雷器探测识别地雷目标方面研究和应用还较少。已有研究主要是通过金属质量等效法[7]或以金属电磁感应信号波形为依据[8]，对含有金属的地雷目标进行识别，属于理想情况下的理论研究，没有考虑实际情况下土壤背景和金属干扰物等因素对地雷探测的影响。因此，本文针对我国某型基于时域多时宽双极性脉冲电磁感应原理的探雷系统，在目标探测信号分析基础上，进行典型地雷目标及干扰物探测试验，获取探测信号样本，通过设计双层BP神经网络结构，实现对所探测目标的判断和识别。

1 电磁感应探雷原理及探测信号分析

电磁感应探雷是利用金属导体在交变电磁场作用下的涡流效应，对地雷中的金属零部件进行探测的一种探测方法，是目前便携式探雷器的主要技术之一。在实际应用中，电磁感应探雷的方法主要分为频域和时域两类，具有代表性的有频域的平衡法、阻抗变换法及时域的脉冲感应法。由于时域脉冲感应法具有高灵敏度和良好的土壤背景适应性，已成为地雷探测技术的主要发展方向之一。我国研究单位提出的基于时域多时宽双极性脉冲电磁感应技术[9]，不仅保留了传统的电磁感应金属探测方法的高灵敏度特性，同时具有良好的土壤抑制性，可适用不同的探测环境，已用于探雷器研制并得到实际应用，探测系统工作原理如图1所示。系统由探头、发射电路、接收电路、数据处理单元组成。探头采用收发一体线圈，通过脉冲发射电路产生脉冲信号激励发射线圈，金属目标产生二次感应信号并被接收线圈所接收，通过信号处理电路实现对目标的探测。

图1 探测系统工作原理Fig.1 Working principle of detection system

该探测系统采用多时宽双极性脉冲电磁感应原理。由于金属目标的二次衰减特性与材质、尺寸形状等有关，而且红土、磁性土等背景与金属目标的二次衰减特性也有明显差别，因此，对于埋设在土壤中的含有金属的地雷目标，二次衰减曲线包含了金属和土壤背景的共同响应，通过控制采样脉冲的延时时间，对金属和土壤不同敏感区间截取并输出，如图2(a)所示，可作为目标识别的有效输入特征。在探测系统实际采样输出时，通过对三个区间积分，作为输出信号值，分别从1、2、3三个通道输出，如图2(b)所示。

图2 三通道采样示意图Fig.2 Diagram of three channel sampling

三个通道分别对应三个不同时延和不同时宽的采样门限，其中1通道位于感应曲线前端的快速衰减区，2通道的采样门限位于感应曲线后端，3通道的采样门限则横跨整个感应曲线大部分区域，既包含了衰减较快的区间又包含了衰减较慢的区间。研究表明，二次感应信号衰减的快慢取决于目标信号的导电和导磁特性，通常纯磁性目标或者弱导电性目标的二次感应信号的衰减都很快，而铁磁性目标或者大尺寸目标的衰减率则比较慢；而且实验还表明，金属目标的二次感应信号衰减受脉冲宽度变化不大，而土壤背景对于不同时宽的脉冲，则显现不同的响应特性[9]。因此，该探测系统在实际应用时，1通道信号主要对应金属目标特征，2通道通常反映土壤背景特征，3通道则反映金属和土壤的耦合特征。图3为探测系统探测埋设在粘性土壤中的地雷目标(Ⅰ型杀伤人员地雷模型，金属铁含量约为1.09 g)和铝片(3 cm×3 cm×0.11 mm)时的三个通道输出信号对比图。图3(a)为地雷模型和铝片的实物图，图3(b)、(c)、(d)分别为经滤波处理后的1、2、3通道输出信号对比。

图3 地雷模型和铝片输出信号对比Fig.3 Comparison of output signals between mine model and aluminum sheet

从图3可知，Ⅰ型杀伤人员地雷模型和铝片在同一埋深下，探雷系统测得的三个通道信号在最大值、最小值、相对变化关系等方面存在明显差异，其本质原因是由于金属脉冲感应的二次衰减曲线综合反映了目标材料性质、结构尺寸以及土壤背景等响应特征。通过对地雷目标和各类干扰金属物体的大量试验测试和分析，也验证了前面理论分析的结论。因此，三个通道的输出信号可以作为区分地雷目标和干扰物的基本依据。基于上述分析，以三个通道的输出信号作为基本特征量，构建神经网络，能够实现对探测目标的识别和判断。

2 地雷目标识别神经网络模型构建

2.1 神经网络模型的选择

神经网络在模式识别领域具有广泛的应用，按其网络结构层次，可分为单层神经网络(只有一个计算层)、双层神经网络(两个计算层)和多层神经网络结构(多个计算层)。三种典型神经网络类型在数据量、硬件支撑条件等方面的差异性见表1。

表1 三种典型神经网络类型的差异Tab.1 Differences of three typical neural network types

目前，实际扫雷作业中便携式探雷器应用最为广泛，而且由前面分析可知，基于电磁感应原理的目标探测识别，是根据电磁感应的二次衰减曲线特性，实现对地雷目标和其他干扰物的快速识别和区分，因此，要求模型结构相对简单、硬件要求不高、实时性和准确性好。综上所述，基于复杂程度、硬件条件支撑和计算精度等方面的综合考虑，选择BP双层神经网络模型，用于实现对地雷目标的识别。

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一，其结构如图4所示，由输入层、中间层和输出层组成。BP神经网络的学习过程由信号的前向传播和误差的反向传播两个过程组成。在前向传播过程中，输入样本从输入层传入，经过隐藏层计算到达输出层，如果实际输出与期望输出不符，则转向误差的反向传播阶段。反向传播过程中，先利用损失函数求得模型的最终误差，接着将误差自隐藏层向输入层反传，获取每个神经元的误差，调整输入节点与隐藏节点和隐藏节点与输出节点的权重和阈值，使误差沿梯度方向下降，最后得出误差最小对应的权重和阈值，从而构建损失函数最小的最优神经网络模型。

图4 双层神经网络结构Fig.4 Double layer neural network structure

2.2 基于BP神经网络的地雷目标识别模型设计

基于神经网络的地雷目标识别，其主要原理是根据探测系统探雷时的三个通道的输出，区分地雷目标和金属干扰物，实现对地雷目标的识别和判断。因此，根据BP神经网络模型，分别对输入层、隐藏层、输出层进行设计，如图5所示。其中，输入层为目标特征量，由各通道输出值构成；输出层为判别结果，分别对应地雷、小干扰目标和大干扰目标三个输出；隐藏层由一定数量的神经元组成,通常依据误差和问题复杂程度确定。

图5 神经网络结构Fig.5 Neural network structure

2.2.1输入层的确定

地雷一般含有铁磁性金属材料，而干扰物多为铁、铜、铝等材料以及相应的合金物；地雷形状一般为圆形，而干扰物则可能为线状、条状、片状、锥体、方体、球体等。反映在探测信号中，就是每个目标1、2、3通道探测信号曲线中的峰值、波形等存在差异，这些值综合反映了目标材料性质、大小、探测距离等因素的影响。故取1、2、3通道探测信号曲线中的峰值V1、V2、V3和有效数据均方差σ1、σ2、σ3作为BP神经网络输入，即

x=[V1,V2,V3,σ1,σ2,σ3]T。

(1)

式(1)中，V1为1通道信号峰值，V2为2通道信号峰值，V3为3通道信号峰值；σ1,σ2,σ3表达式如下：

(2)

(3)

(4)

式中，y1、y2、y3表示1、2、3通道输出电平值。

2.2.2隐藏层的确定

在网络设计过程中，隐藏层神经元的确定与输入、输出层的神经元个数和问题的复杂程度以及误差有重要关系。隐藏层神经元过多会导致训练时间增加和过度拟合，神经元过少不能体现样本规律。目前，隐藏层神经元数目确定一般依赖经验公式。由试验获得的批量样本数据(x，y)的基本构成可知，由于x为六维向量，y为三维向量，故拟神经网络中输入层神经元个数n0=6，输出层神经元个数n2=3。中间隐含层神经元个数n1一般采用如下的经验方法确定：

(5)

根据上式确定隐含层神经元个数为15。

2.2.3输出层的确定

根据理论分析和试验测试，结合探雷作业实际情况，将探测信号目标类型分为小干扰目标y1、地雷目标y2和大干扰目标y3三个类型。根据探雷器性能测试相关标准[10]，通常以地雷的探测信号值作为参考，对金属干扰物进行划分。因此在实验中，为便于神经网络更好识别干扰物，以Ⅰ型杀伤人员地雷为标准，将输出信号同地雷输出信号相似的金属干扰物分为小干扰目标，输出信号与地雷输出信号差别较大的分为大干扰目标。因此，

y=[y1,y2,y3]T。

(6)

3 试验与分析

3.1 典型地雷及干扰目标探测信号采集

地雷目标选取金属含量较低的Ⅰ型杀伤人员地雷和Ⅱ型杀伤人员地雷两种；干扰目标17种，涉及材质有铁、铜、铝及其合金等，几何形态有线状、条状、片状、方体等。具体试验目标材料特性、形状大小、目标类型见表2所示。

表2 目标特性统计表Tab.2 Target signal detection method

实际地雷通常埋藏于粘性土壤内，故选择粘土作为实验环境，基本环境为表面无植被，浅表土层较干净，无杂物，背景信号干净，以满足探测取样试验需要。探测方法如图6(a)所示，探测试验时，将便携式手持探雷器安装在移动行车上(如图6(b))，将探头设置在离地面2 cm左右，保持不变，每个目标在2～10 cm间设置多种埋深。移动行车，使探雷器探头正好经过目标上方，每个目标探测器来回各探扫三次。

图6 目标信号探测方法Fig.6 Target signal detection method

3.2 地雷目标识别神经网络模型训练

BP网络的训练过程就是对权值和阈值调整的过程，使损失误差最小，实际输出与期望的输出相一致。一般两层神经网络的激活函数采用Sigmoid函数居多，故激活函数采用Sigmoid函数。对于参数w和b的初始化，采用打破对称性的方式，对w、b初始值进行随机化，w和b初始值具体取值都为(-1，1)之间的随机数。α代表神经网络的学习效率，用于控制参数w和b变化的速度以及达到最优值所需要的训练时间，采用试探的方法从大到小取值进行训练。最后确定α=0.05时，输出的误差值最终能比较稳定地趋向一个较小值。

设定完参数后，利用采集到的样本信息，提取信号特征值作为神经网络学习数据，进行样本训练。神经网络训练结果如图7所示，设定训练次数为15 000次，用时7.921 2 s，地雷目标的识别正确率达到了100%，大干扰目标的识别正确率达到96.5%左右，小干扰目标的识别正确率为60%。由于小干扰目标的输出信号与地雷目标输出信号相似，故小干扰目标的识别正确率不高。从训练结果看，达到了训练预期，将神经网络权值保存。

图7 神经网络训练过程Fig.7 Neural network training process

3.3 地雷目标识别效果验证与分析

为检测基于实测样本数据训练得到的神经网络模型的目标识别有效性，在相同试验条件下，采集地雷目标和干扰目标的探测信号数据作为测试数据，对经过训练学习的神经网络识别模式进行验证和分析。识别结果如表3所示，地雷目标的识别率为95.2%，但大干扰目标和小干扰目标识别率不高。

表3 神经网络识别验证结果Tab.3 Neural network recognition verification results

分析其结果可知，由于在进行目标识别时，加入了埋深这一变量，导致地雷和干扰物在不同埋深情况下可能出现输出信号相似的可能，从而影响了干扰物目标识别的准确率。为了排除埋深的干扰，分别测试不同埋深下的目标识别率，结果如表4所示，地雷目标的识别率大于91.7%，目标埋深10 cm时，识别率最低，与该电磁感应探雷系统探测能力相吻合。

表4 不同埋深下的目标识别率Tab.4 Target recognition rate under different buried depths

试验结果表明，对于实测的2种典型杀伤人员地雷和17种常见金属干扰物，地雷目标的识别率均超过了90%，证明了构建的神经网络模型经训练学习后，对探测目标的识别具有较好的能力，也验证了基于神经网络的目标识别方法的可行性。但是通过对识别结果的分析，也存在部分识别错误的情况，比如小干扰目标以及输出信号和地雷目标相似的干扰物被识别成了地雷，这是因为这些小干扰目标在质量上和地雷比较接近，而且在形状上与地雷内的弹簧、击针等也有一定的相似性，从探测信号的角度而言，其差异性不明显，所以出现了识别错误。这些误判结果也表明，基于电磁感应原理探测技术在探测发现金属目标上具有较好的能力，但是在分辨目标特征时存在较大的难度，同时，在提高金属探测灵敏度的同时，也必然会造成虚警率的提高，这些问题都是目前利用该技术进行实际探雷器设计和应用时所需重点解决的关键问题。从基于神经网络对地雷目标识别角度而言，在探测信号包含不同目标特征信息的情况下，通过更加合理地特征分类和参数优化、更多的样本学习和训练，可以在一定程度提高对探测信号目标类型的识别率。

4 结论

本文针对地雷探测中的目标识别问题，对基于电磁感应原理的金属探测信号特征进行理论分析和试验测试，并结合实际作业中杀伤人员地雷识别的现实需求，确定地雷目标和干扰物类型，构建BP双层神经网络模型，进行模型的学习训练和实际验证。结果表明基于电磁感应信号特征构建的神经网络模型，能够较好地识别金属含量较低的杀伤人员地雷和典型干扰物。同时，通过试验测试和模型应用也发现，利用神经网络进行地雷目标识别时，其本质是根据不同目标输入特征的差别，如果地雷目标和干扰物的电磁感应特征无明显差别时，将难以通过后面的数据处理和算法进行有效识别。综上所述，地雷目标的探测和识别是非常复杂的问题，应在目标特征分析基础上确定适合的数据处理方法和识别算法，本文研究的基于神经网络的地雷目标识别方法，能够为地雷探测技术研究和探雷器材研制提供理论依据和技术支持。