本申请涉及图像处理，具体地，涉及一种基于faster-rcnn的爆炸冲击波压力信号特征识别方法。
背景技术：
1、在冲击波测试中，由于爆炸产生的超压冲击波具有突变快、上升沿途陡峭、持续时间短等特征，超压峰值和正压作用时间是描述冲击波的重要参数，其压力特征参数是评价武器弹药威力重要手段。获得准确的冲击波测试参数对弹药的研发具有重要意义。
2、由于测试环境恶劣，所测冲击波信号会受噪声、破片冲击等影响，导致冲击波信号整体上会叠加不同程度的杂波干扰，导致很多特征参数难以准确识别，因此需要采用一些人工方法对所测数据进行有效鉴别。目前比较流行的处理方法是采用基于时频分析的信号处理技术对所测冲击波数据进行滤波降噪，包括数字滤波器、小波分析、经验模态分解等，从而消除噪声对读取结果的影响。但这些方法目前普遍用于消除系统本身的噪声引起的测量误差，而却难以消除爆炸产生的破片引起的测量误差。例如图1中的冲击波信号，很明显，该信号中的压力峰值并非真实的压力峰值，而是由破片等杂质击中测试系统引起的压力突变。
技术实现思路
1、为了克服现有技术中的至少一个不足，本申请提供一种基于faster-rcnn的爆炸冲击波压力信号特征识别方法。
2、第一方面，提供一种基于faster-rcnn的爆炸冲击波压力信号特征识别方法，包括：
3、获取实测爆炸冲击波测量数据，绘制超压时程曲线图，并在超压时程曲线图中标记正压作用区域；基于超压时程曲线图构建超压时程曲线图数据集；
4、基于超压时程曲线图数据集对faster-rcnn网络模型进行训练，得到训练后的faster-rcnn网络模型；
5、将未知正压作用区域的实测信号对应的超压时程曲线图，输入到训练后的faster-rcnn网络模型，输出至少一个正压作用区域；
6、针对每个正压作用区域，确定正压作用区域中的压力最大值作为峰值压力，确定正压作用区域的时间轴两端时刻的时差作为正压作用持时。
7、在一个实施例中，超压时程曲线图中标记的正压作用区域为矩形区域，矩形区域的横坐标的覆盖范围为正压作用开始时间至正压作用结束时间，矩形区域的纵坐标的覆盖范围为标准大气压至爆炸冲击波峰值压力。
8、在一个实施例中，faster-rcnn网络模型为vgg19卷积神经网络模型。
9、在一个实施例中，在对模型进行训练过程中，采用的网络性能评估指标为平均检测精度η：
10、η＝(|t1r-t1b|/t1b+|t2r-t2b|/t2b+|p1r-p1b|/p1b+|p2r-p2b|/p2b)/4
11、其中，t1r为正压作用区域的时间轴前端在图像中的位置的检测值，t1b为正压作用区域的时间轴前端在图像中的位置的标记值，t2r为正压作用区域的时间轴末端在图像中的位置的检测值，t2b为正压作用区域的时间轴末端在图像中的位置的标记值，p1r为正压作用区域的压力轴前端在图像中的位置的检测值，p1b为正压作用区域的压力轴前端在图像中的位置的标记值，p2r为正压作用区域的压力轴末端在图像中的位置的检测值，p2b为正压作用区域的压力轴末端在图像中的位置的标记值。
12、第二方面，提供一种基于faster-rcnn的爆炸冲击波压力信号特征识别装置，包括：
13、数据集构建模块，用于获取实测爆炸冲击波测量数据，绘制超压时程曲线图，并在超压时程曲线图中标记正压作用区域；基于超压时程曲线图构建超压时程曲线图数据集；
14、模型训练模块，用于基于超压时程曲线图数据集对faster-rcnn网络模型进行训练，得到训练后的faster-rcnn网络模型；
15、检测模块，用于将未知正压作用区域的实测信号对应的超压时程曲线图，输入到训练后的faster-rcnn网络模型，输出至少一个正压作用区域；
16、压力信号特征确定模块，用于针对每个正压作用区域，确定正压作用区域中的压力最大值作为峰值压力，确定正压作用区域的时间轴两端时刻的时差作为正压作用持时。
17、在一个实施例中，超压时程曲线图中标记的正压作用区域为矩形区域，矩形区域的横坐标的覆盖范围为正压作用开始时间至正压作用结束时间，矩形区域的纵坐标的覆盖范围为标准大气压至爆炸冲击波峰值压力。
18、在一个实施例中，faster-rcnn网络模型为vgg19卷积神经网络模型。
19、在一个实施例中，在对模型进行训练过程中，采用的网络性能评估指标为平均检测精度η：
20、η＝(|t1r-t1b|/t1b+|t2r-t2b|/t2b+|p1r-p1b|/p1b+|p2r-p2b|/p2b)/4
21、其中，t1r为正压作用区域的时间轴前端在图像中的位置的检测值，t1b为正压作用区域的时间轴前端在图像中的位置的标记值，t2r为正压作用区域的时间轴末端在图像中的位置的检测值，t2b为正压作用区域的时间轴末端在图像中的位置的标记值，p1r为正压作用区域的压力轴前端在图像中的位置的检测值，p1b为正压作用区域的压力轴前端在图像中的位置的标记值，p2r为正压作用区域的压力轴末端在图像中的位置的检测值，p2b为正压作用区域的压力轴末端在图像中的位置的标记值。
22、第三方面，提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现上述的基于faster-rcnn的爆炸冲击波压力信号特征识别方法。
23、第四方面，提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时，以实现上述的基于faster-rcnn的爆炸冲击波压力信号特征识别方法。
24、相对于现有技术而言，本申请具有以下有益效果：本申请涉及一种基于faster-rcnn的爆炸冲击波压力信号特征识别方法，与现有技术相比，本申请可以实现冲击波数据处理过程中超压峰值和正压作用持时自动提取，而现有技术的数据处理则人工读取(数据用处理软件读取结果)；此外，本申请能够剔除压力数据中由破片等杂质击中测试系统引起的压力突变，能自动输出超压峰值、正压作用时间和压力曲线图像，并且能够批量化处理多个压力数据。
1.一种基于faster-rcnn的爆炸冲击波压力信号特征识别方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述超压时程曲线图中标记的正压作用区域为矩形区域，矩形区域的横坐标的覆盖范围为正压作用开始时间至正压作用结束时间，矩形区域的纵坐标的覆盖范围为标准大气压至爆炸冲击波峰值压力。
3.如权利要求1所述的方法，其特征在于，所述faster-rcnn网络模型为vgg19卷积神经网络模型。
4.如权利要求1所述的方法，其特征在于，在对模型进行训练过程中，采用的网络性能评估指标为平均检测精度η：
5.一种基于faster-rcnn的爆炸冲击波压力信号特征识别装置，其特征在于，包括：
6.如权利要求5所述的装置，其特征在于，所述超压时程曲线图中标记的正压作用区域为矩形区域，矩形区域的横坐标的覆盖范围为正压作用开始时间至正压作用结束时间，矩形区域的纵坐标的覆盖范围为标准大气压至爆炸冲击波峰值压力。
7.如权利要求1所述的装置，其特征在于，所述faster-rcnn网络模型为vgg19卷积神经网络模型。
8.如权利要求1所述的装置，其特征在于，在对模型进行训练过程中，采用的网络性能评估指标为平均检测精度η：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，以实现权利要求1-4任意一项所述的基于faster-rcnn的爆炸冲击波压力信号特征识别方法。
10.一种计算机程序产品，其特征在于，包括计算机程序/指令，所述计算机程序/指令被处理器执行时，以实现权利要求1-4任意一项所述的基于faster-rcnn的爆炸冲击波压力信号特征识别方法。
