(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211077971.7 (22)申请日 2022.09.05 (71)申请人 北京子久科技有限公司 地址 100071 北京市丰台区育仁南路1号院 4号楼10层101 1号 (72)发明人 于劼　 (74)专利代理 机构 北京恒泰铭睿知识产权代理 有限公司 1 1642 专利代理师 何平 (51)Int.Cl. F41A 33/00(2006.01) G06V 20/00(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于物联网的轻武器实弹射击训练自动控 制系统及其方法 (57)摘要 本申请涉及射击训练智能控制领域， 其具体 地公开了一种基于物联网的轻武器实弹射击训 练自动控制系统及其方法， 其首先通过卷积神经 网络来对于子弹命中靶机和子弹未命中靶机的 图像隐含特征分别进行针对性的特征挖掘以得 到特征图， 再通过计算命中特征图和所述未命中 特征图之间的差分特征图以此来凸显命中区域 的特征表 示， 并再次通过通道注 意力机制进一步 从差分特征图中强化各关联特征之间的相关性 特征的提取， 以提高命中环数是否超 过九环的分 类判断精度。 进而， 响应于所述分类结果为命中 的环数超 过九环， 生成针对于另一靶机的起靶指 令。 这样， 能够实现军 事化打靶训练的自动控制。 权利要求书3页 说明书14页 附图7页 CN 115388705 A 2022.11.25 CN 115388705 A 1.一种基于物联网的轻武器实弹射击训练自动控制系统， 其特征在于， 包括： 图像采集 模块， 用于获取子弹命中的靶机的第一靶机图像和未命中子弹的靶机的第二靶机图像； 命 中图编码模块， 用于将所述第一靶机图像通过使用空间注意力的第一卷积神经网络模型以 得到命中特征图； 靶机原图编码模块， 用于将所述第二靶机图像通过作为特征提取器的第 二卷积神经网络模型以得到未命中特征图； 差分模块， 用于计算所述命中特征图和所述未 命中特征图之间的差分特征图； 通道注意力模块， 用于将所述差分特征图通过通道注意力 模块以得到加强差分特征图； 判断模块， 用于将所述加强差分特征图通过分类器以得到分 类结果， 所述分类结果用于表 示命中的环数是否超过 九环； 以及自动控制结果生成模块， 用 于响应于所述分类结果 为命中的环数超过九环， 生成针对于另一靶机的起靶指令 。 2.根据权利要求1所述的基于物联网的轻武器实弹射击训练自动控制系统， 其特征在 于， 所述命中图编码模块， 进一步用于： 使用所述第一卷积神经网络模型的各层在层的正向 传递中对输入数据进 行： 对所述输入数据进 行基于二 维卷积核的卷积处理以生成卷积特征 图； 对所述卷积特征图进行池化处理以生成池化特征图； 对所述池化特征图进行激活处理 以生成激活特征图； 对所述激活特征图进 行沿通道维度的全局平均池化以获得空间特征矩 阵； 对所述空间特征矩阵进行卷积处理和激活处理以生成权重 向量； 以及以所述权重 向量 中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图； 其中， 所述第一卷积神经网络模型的最后一层输出的所述 生成特征图为所述命中特 征图。 3.根据权利要求2所述的基于物联网的轻武器实弹射击训练自动控制系统， 其特征在 于， 所述靶机原图编 码模块， 进一步用于： 使用所述第二卷积神经网络模型的各层在层的正 向传递中对输入数据进行： 对所述输入数据进行基于二 维卷积核的卷积处理以生成卷积特 征图； 对所述卷积特征图进行池化处理以生成池化特征图； 对所述池化特征图进行激活处 理以生成激活特征图； 对所述激活特征图进 行沿通道维度的全局平均池化以获得 空间特征 矩阵； 对所述空间特征矩阵进行卷积处理和激活处理以生成权重 向量； 以及以所述权重 向 量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征 图； 其中， 所述第二卷积神经网络模型 的最后一层输出 的所述生成特征图为所述未命中特 征图。 4.根据权利要求3所述的基于物联网的轻武器实弹射击训练自动控制系统， 其特征在 于， 所述差 分模块， 进一步用于： 以如下公式计算所述命中特征图和所述未命中特征图之间 的所述差分特 征图； 其中， 所述公式为： 其中， 表示所述命中特征图， 表示所述未命中特征图， 表示所述差分特征 图， 表示按位置 差分。 5.根据权利要求4所述的基于物联网的轻武器实弹射击训练自动控制系统， 其特征在 于， 所述通道注意力模块， 包括： 通道池化单元， 用于将所述差分特征图输入所述通道注意 力模块的池化层以由所述池化层对所述差分特征图的沿通道维度的各个特征矩阵进行全 局均值池化以得到通道特征向量； 权重化单元， 用于将所述通道特征向量输入所述通道注 意力模块的激活层以由所述激活层 使用Sigmoid激活函数对所述通道特征向量进 行非线性权　利　要　求　书 1/3 页 2 CN 115388705 A 2激活以得到通道注意力权重 向量； 优化单元， 用于将所述通道注意力权重 向量输入所述通 道注意力模块的优化层以由所述优化层基于所述通道注意力权重 向量的二范数对所述通 道注意力权重向量中各个位置的特征值进 行校正以得到校正后通道注意力权重向量； 以及 施加单元， 用于以所述校正后通道注意力权重向量中各个位置的特征值作为权重对所述差 分特征图的沿通道维度的各个特 征矩阵进行加权以得到所述加强差分特 征图。 6.根据权利要求5所述的基于物联网的轻武器实弹射击训练自动控制系统， 其特征在 于， 所述优化单元， 进一步用于： 将所述通道注 意力权重向量输入所述通道注 意力模块的优 化层以由所述优化层基于所述通道注意力权重 向量的二范数以如下公式对所述通道注意 力权重向量中各个位置的特征值进行校正以得到所述校正后通道注意力权重 向量； 其中， 所述公式为： 其中 表示所述通道注意力权重向量， 表示所述通道注意力权重向量的自协方差矩 阵， 所述自协方差矩阵的每个位置的值是所述通道注意力权重向量的每两个位置的特征值 之间的方差， 和 分别表示所述通道注意力权重向量的全局均值和方差， 表示所述 通道注意力权重向量的二范数， 和 分别表示 向量的按位置减法和加法， 表示矩阵 相乘， 表示向量的指数运算， 所述向量的指数运算表示计算以向量中各个位置的特 征值为幂的自然指数函数值。 7.根据权利要求6所述的基于物联网的轻武器实弹射击训练自动控制系统， 其特征在 于， 所述判断模块， 进一步用于： 使用所述分类器以如下公式对所述加强差 分特征图进行 处 理以生成分类结果， 其中， 所述公式为： ， 其中 表示将所述加强差分 特征图投影为向量， 至 为各层全连接层的权重矩阵， 至 表示各层全连接层的 偏置矩阵。 8.一种基于物联网的轻武器实弹射击训练自动控制方法， 其特征在于， 包括： 获取子弹 命中的靶机的第一靶机图像和未命中子弹的靶机的第二靶机图像； 将所述第一靶机图像通 过使用空间注意力的第一卷积神经网络模型以得到命中特征图； 将所述第二靶机图像通过 作为特征提取器的第二卷积神经网络模型以得到未命中特征图； 计算所述命中特征图和所 述未命中特征图之 间的差分特征图； 将所述差 分特征图通过通道注意力模块以得到加强差 分特征图； 将所述加强差分特征图通过分类器以得到分类结果， 所述分类结果用于表示命 中的环数是否超过九环； 以及响应于所述分类结果为命中的环数超过九环， 生成针对于另 一靶机的起靶指令 。 9.根据权利要求8所述的基于物联网的轻武器实弹射击训练自动控制方法， 其特征在 于， 所述将所述第一靶机图像通过使用空间注意力的第一卷积神经网络模 型以得到命中特 征图， 包括： 使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据进 行： 对 所述输入数据进 行基于二 维卷积核的卷积处理以生成卷积特征图； 对所述卷积特征图进 行 池化处理以生成池化特征图； 对所述池化特征图进行激活处理以生成激活特征图； 对所述 激活特征图进 行沿通道维度的全局平均池化以获得空间特征矩阵； 对所述空间特征矩阵进权　利　要　求　书 2/3 页 3 CN 115388705 A 3