射击综合训练智能管理系统

技术领域

本申请涉及智能化管理技术领域，并且更具体地，涉及一种射击综合训练智能管理系统。

背景技术

为了提高射击技能，需要进行射击综合训练。传统的射击综合训练为实弹设计训练，其具有如下缺陷：

1)安全性差，实弹射击，可能会发生意外伤害；

2)不环保，使用实弹和弹壳，会产生噪声和污染；

3)需要搭建各种射击场景和环境，让射手进行真实射击训练，会浪费大量资源；

4)成本高昂。

例如在授权公告号为CN106440948B的中国专利中公开了一种射击训练系统及射击训练方法。该发明通过获得第一传感器检测到的一武器的发射点位置和瞄准方向，以及，获得第二传感器检测到的射击环境条件；在所述发射点位置、瞄准方向以及射击环境条件下，根据预先建立的所述武器的发射物轨迹模型，预测所述武器发射的发射物在一目标靶上的射击点预估位置；向射击者提示所述射击点预估位置。该发明中射击者/武器/目标靶上不需要配置传感器等辅助装置，使得射击训练场景与实际的射击场景相类似，可以简化射击训练流程，方便射击者的使用，提高射击者的用户使用体验并改善系统的训练效果。另外，该发明还可以利用射击者的历史射击数据，辅助射击者的射击训练以及提供个性化的射击训练；

同时例如在授权公告号为CN107958205B的中国专利中公开了射击训练智能管理系统，涉及数据信息综合管理系统技术领域。所述系统包括数据采集装置、操作终端和服务器，所述操作终端与所述数据采集装置和/或服务器连接；所述数据采集装置采集靶纸图像得到照片和录像，同时所述数据采集装置包括自动分析模块，所述自动分析模块分析靶纸图像中弹着点得出射击精度；所述服务器对照片、录像和射击精度进行管理；所述操作终端控制与所述数据采集装置和/或服务器两者或三者间的数据交换，同时所述操作终端对所述照片、录像和射击精度调用、显示；

以上现有技术均存在如下缺陷：

1)安全性差，实弹射击，可能会发生意外伤害；

2)不环保，使用实弹和弹壳，会产生噪声和污染；

3)需要搭建各种射击场景和环境，让射手进行真实射击训练，会浪费大量资源；

4)成本高昂。

因此，期待一种射击综合训练智能管理系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种射击综合训练智能管理系统，其包括：模拟发射器；靶面板模块，用于接收由所述模拟发射器发射的激光信号；打印显示播放一体模块；以及，后台系统。这样，可以利用激光技术进行射击训练的系统，模拟真实的射击环境，提高射手的射击技能和反应能力。

第一方面，提供了一种射击综合训练智能管理系统，其包括：

模拟发射器；

靶面板模块，用于接收由所述模拟发射器发射的激光信号；

打印显示播放一体模块，用于打印打靶成绩、显示电量以及播放历史打靶视频；以及

后台系统，用于支持数据显示。

在上述射击综合训练智能管理系统中，所述打印显示播放一体模块，包括：成绩报靶单元，用于语音播报成绩、脱靶和启动打靶；触摸显示单元，用于显示打靶界面；成绩分析单元，用于分析打靶成绩；成绩打印单元，用于支持打靶成绩打印；成绩回放单元，用于播放历史打靶视频；充电检测单元，用于显示电量。

在上述射击综合训练智能管理系统中，所述成绩回放单元，包括：图像获取子单元，用于获取待识别打靶图像；感兴趣区域提取子单元，用于将所述待识别打靶图像输入打靶命中区域目标检测网络以得到打靶命中感兴趣区域图像；浅层特征提取子单元，用于将所述打靶命中感兴趣区域图像输入基于第一卷积神经网络模型的浅层特征提取器以得到打靶命中浅层特征图；金字塔池化子单元，用于将所述打靶命中浅层特征图通过空间金字塔池化方式以得到池化特征图；深层特征提取子单元，用于将所述池化特征图输入基于第二卷积神经网络模型的深层特征提取器以得到打靶命中深层特征图；融合子单元，用于融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图；打靶得分标签生成子单元，用于将所述分类特征图输入分类器以得到分类结果，所述分类结果用于表示打靶得分标签；以及，计分故障判断子单元，用于基于所述分类结果与打靶计分之间的比较，确定所述射击综合训练智能管理系统是否存在计分故障。

在上述射击综合训练智能管理系统中，所述打靶命中区域目标检测网络为基于锚窗的目标检测网络。

在上述射击综合训练智能管理系统中，所述第一卷积神经网络模型包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层、第三激活层和输出层。

在上述射击综合训练智能管理系统中，所述第一卷积层使用16个大小为3x3的卷积核，步长为1，padding为1，所述第二卷积层使用32个大小为3x3的卷积核，步长为1，padding为1，所述第三卷积层使用64个大小为3x3的卷积核，步长为1，padding为1。

在上述射击综合训练智能管理系统中，所述空间金字塔池化方式使用四种不同尺度的平均池化窗口，其中，所述四种不同尺度的平均池化窗口的尺度为1×1、2×2、3×3和6×6。

在上述射击综合训练智能管理系统中，所述深层特征提取子单元，用于：使用所述基于第二卷积神经网络模型的深层特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第二卷积神经网络模型的深层特征提取器的深层输出为所述打靶命中深层特征图。

在上述射击综合训练智能管理系统中，所述融合子单元，用于：以如下融合公式融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图；其中，所述融合公式为：

其中，M

在上述射击综合训练智能管理系统中，所述打靶得分标签生成子单元，包括：展开二级子单元，用于将所述分类特征图按照行向量或列向量展开为分类特征向量；全连接编码二级子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类二级子单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

与现有技术相比，本申请提供的射击综合训练智能管理系统，其包括：模拟发射器；靶面板模块，用于接收由所述模拟发射器发射的激光信号；打印显示播放一体模块；以及，后台系统。这样，可以利用激光技术进行射击训练，模拟真实的射击环境，提高射手的射击技能和反应能力。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的射击综合训练智能管理系统的应用场景图。

图2为根据本申请实施例的射击综合训练智能管理系统的框图。

图3为根据本申请实施例的射击综合训练智能管理系统中所述打印显示播放一体模块的框图。

图4为根据本申请实施例的射击综合训练智能管理系统中所述成绩回放单元的框图。

图5为根据本申请实施例的射击综合训练智能管理系统中所述打靶得分标签生成子单元的框图。

图6为根据本申请实施例的射击综合训练智能管理方法的流程图。

图7为根据本申请实施例的射击综合训练智能管理方法的系统架构的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一第二第三”仅仅只是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一第二第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

针对上述技术需求，本申请提供了一种模拟射击综合训练系统，其包括模拟发射器、靶面板模块，用于接收由所述模拟发射器发射的激光信号、打印显示播放一体模块，以及，后台系统。也就是，所述模拟射击综合训练系统是一种利用激光技术进行射击训练的系统，它可以模拟真实的射击环境，提高射手的射击技能和反应能力。射手使用模拟发射器进行射击，模拟发射器发射出的激光束照射到所述靶面板模块上，计分系统会根据激光束的位置来计算得分。训练软件可以模拟各种不同的射击场景和环境，让射手进行真实的射击训练。

具体地，所述靶面板模块，支持对内部所有模拟发射器的激光信号接收，发射器1：光荣者9501发射器，发射器2：光荣者9201发射器；支持靶面精度范围：5.0-10.9；支持方向判别；支持通讯有多种通讯功能。具备简单的计算功能，可根据公式计算出靶面的接收情况等；具有电量信息采集功能；具备充电功能及电量显示功能。结构设计方面具备三防。

所述模拟发射器，包括：发射器1：光荣者9501发射器介绍：全尺寸1.1模拟95-1自动步枪发射器，具备激光发射功能射程400米，采用电磁技术模拟1.1实感后坐力，模拟发射器具备和真实枪支一样的操作流程，外观及结构1.1采用工程塑料加合金结构打造。所述模拟发射器还包括发射器2：光荣者9201发射器介绍：全尺寸1.1模拟92式半自动手枪发射器，具备50米射程，采用电磁技术模拟1：1实感后坐力，模拟发射器具备和真实92式枪支一样的操作流程，外观及结构1：1采用合金加工程塑料结构打造。

所述模拟发射器具备通讯功能实现其它平台对应的功能解锁功能。

所述打印显示播放一体模块，支持成绩报靶功能：语音播报成绩：5.0-10.9环，脱靶，开始打靶等语音。所述打印显示播放一体模块，支持14-15.6寸屏的触摸显示功能，半胸环靶图像显示，打靶点精确至0.1环，各打靶点折线链接。所述打印显示播放一体模块支持打靶显示界面：显示框(姓名、当前发序、当前环数、总环数、武器类型、打靶距离、场景、射姿)，显示栏(发序、环数、方向、用时、时间)，日期。其中的姓名框图能够编辑姓名，触摸屏调用相应GUI界面操作。举例：XX连队XX士兵。所述打印显示播放一体模块，同时可自定义训练内容。所述打印显示播放一体模块支持显示、计算、分析成绩功能(对瞄准稳定性，弹点密集度，激发稳定性三个维度进行分析)。

所述打印显示播放一体模块，支持成绩打印功能，具体地，设备可实现成绩单热熔打印，打印列表(姓名、武器类别、射姿势、距离、环境，发序、环数、方向、用时、总分、日期)。所述打印显示播放一体模块，还支持和靶面的通讯功能，通讯方式兼容靶面方式。所述打印显示播放一体模块，还支持成绩回放功能。所述视频回放：软件自动保存30天内打靶视频、可播放历史打靶显示界面，以时间标签来进行存放。所述打印显示播放一体模块还支持：充电检测功能；具备物联网平台及MQTT协议平台接入能力；具备充电功能及电量显示功能，具有电量信息采集功能；通讯接收距离400m以上。

后台PC系统：1)后台PC系统支持10套前端系统的所有数据展示。2)数据提供相应的API接口开放到第三方平台使用。3)支持以太网等多种通讯方式。4)不同厂商定制差异化功能。军民界面风格不同。

也就是，在本申请的技术方案中，所述打印显示播放一体模块，包括：成绩报靶单元，用于语音播报成绩、脱靶和启动打靶；触摸显示单元，用于显示打靶界面；成绩分析单元，用于分析打靶成绩；成绩打印单元，用于支持打靶成绩打印；成绩回放单元，用于播放历史打靶视频；以及，充电检测单元，用于显示电量。

在本申请的技术方案中，所述后台系统，支持10套前端系统的所有数据展示。数据提供相应的API接口开放到第三方平台使用。所述后台系统，支持以太网等多种通讯方式。所述不同厂商定制差异化功能，其中，军民界面风格不同。

特别地，在本申请的技术方案中，射手使用模拟发射器进行射击，模拟发射器发射出的激光束照射到所述靶面板模块上，计分系统会根据激光束的位置来计算得分。但是，如果计分系统出现故障会导致错误的打靶计分，因此，期待能够对打靶积分的精准度进行校验。应注意到，在本申请的技术方案中，软件自动保存30天内打靶视频、可播放历史打靶显示界面。相应地，基于打靶图像识别来得到打靶得分，并基于该打靶得分与由精度靶面板模块提供的打靶得分进行比较，以校验设备是否发生故障。

具体地，首先获取待识别打靶图像。应可以理解，在激光打靶综合训练系统中，射手使用模拟发射器进行射击，模拟发射器发射出的激光束照射到靶面板模块上，形成一幅打靶图像。这幅打靶图像包含了射击的命中位置和其他相关信息，是进行打靶得分识别的基础。

然后，将所述待识别打靶图像输入打靶命中区域目标检测网络以得到打靶命中感兴趣区域图像。这里，将所述待识别打靶图像输入打靶命中区域目标检测网络以得到打靶命中感兴趣区域图像，是为了在待识别打靶图像中准确地定位出打靶命中的区域，从而提取出打靶命中的感兴趣区域图像。

接着，将所述打靶命中感兴趣区域图像输入基于第一卷积神经网络模型的浅层特征提取器以得到打靶命中浅层特征图。也就是，在本申请的技术方案中，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述打靶命中感兴趣区域图像的图像浅层特征，包括边缘、颜色、纹理。在本申请一个具体的示例中，所述第一卷积神经网络模型的网络结构为：输入层->卷积层1->激活函数1->卷积层2->激活函数2->输出层->卷积层3->激活函数3。也就是说，所述第一卷积神经网络模型包括3个卷积层，用于对所述打靶命中感兴趣区域图像进行卷积运算以提取所述打靶命中感兴趣区域图像的图像浅层特征。更具体地，所述第一卷积层使用16个大小为3x3的卷积核，步长为1，padding为1，激活函数使用ReLU。所述第二卷积层使用32个大小为3x3的卷积核，步长为1，padding为1，激活函数使用ReLU。所述第三卷积层使用64个大小为3x3的卷积核，步长为1，padding为1，激活函数使用ReLU。

进而，将所述打靶命中浅层特征图通过空间金字塔池化方式以得到池化特征图。本领域普通技术人员知晓，在特征提取过程中，网络不断加深，导致实际网络感受野总有一定偏差，使网络无法有效融合全局特征，丢失特征信息问题。基于此，在本申请的技术方案中，引入空间金字塔池化思想，其采用聚合策略将1×1、2×2、3×3、6×6四种不同尺度的平均池化窗口作用于传入的高级语义信息，实现将丰富的高层次信息向低层次特征的映射，利用1×1卷积将池化的4个特征图进行通道压缩，通过3×3的卷积层的特征整合和跳跃连接通道，与未经池化的特征图进行级联融合。

进而，将所述池化特征图输入基于第二卷积神经网络模型的深层特征提取器以得到打靶命中深层特征图。也就是，在进行浅层特征提取和空间金字塔池化后，进一步使用卷积神经网络模型对所述池化特征图进行卷积处理以捕捉所述打靶命中感兴趣区域图像中的图像深层特征，所述图像深层特征包含了更加抽象和高级的信息，如物体的形状、结构、纹理等。

在得到所述打靶命中浅层特征图和所述打靶命中深层特征图后，融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图。也就是，融合所述打靶命中感兴趣区域图像的不同深度的图像特征以提取图像特征的丰富度和层次感以得到所述分类特征图。进而，将所述分类特征图输入分类器以得到分类结果，所述分类结果用于表示打靶得分标签。也就是，以所述分类器来确定所述分类特征图所属的类概率标签，所述类概率标签为打靶得分标签。这样，可基于所述分类结果与打靶计分之间的比较，确定所述射击综合训练智能管理系统是否存在计分故障。

在本申请的技术方案中，考虑到基于第一卷积神经网络模型的浅层特征提取器从所述打靶命中感兴趣区域图像提取到图像源语义的浅层空间局部关联特征，而在所述打靶命中浅层特征图通过空间金字塔池化方式和基于第二卷积神经网络模型的深层特征提取器之后，进一步在所述打靶命中浅层特征图的图像源语义的浅层空间局部关联特征的基础上进一步获得空间多尺度特征表示的高阶深层空间局部关联特征。因此，在融合所述打靶命中浅层特征图和所述打靶命中深层特征图得到所述分类特征图时，需要考虑到所述打靶命中浅层特征图和所述打靶命中深层特征图各自的空间图像语义关联特征表示来进行融合。

基于此，本申请的申请人对所述打靶命中浅层特征图和所述打靶命中深层特征图进行全局上下文空间关联富化融合，具体表示为：

M

这里，为了聚集在所述打靶命中浅层特征图和所述打靶命中深层特征图之间关联分布的本地空间语义之间的上下文空间关联语义，所述全局上下文空间关联富化融合通过聚焦于特征图的特征矩阵所表示的空间帧级别(spatial frame-level)的显式上下文相关性，来富化(enriching)全局感知野下的特征矩阵的帧级别的空间语义融合式表达，从而实现所述打靶命中浅层特征图和所述打靶命中深层特征图的跨通道的空间共享上下文语义的同化(assimilation)融合，以提升所述分类特征图对所述打靶命中浅层特征图和所述打靶命中深层特征图的融合效果。

图1为根据本申请实施例的射击综合训练智能管理系统的应用场景图。如图1所示，在该应用场景中，首先，获取待识别打靶图像(例如，如图1中所示意的C)；然后，将获取的打靶图像输入至部署有射击综合训练智能管理算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于射击综合训练智能管理算法对所述打靶图像进行处理，以生成用于表示打靶得分标签；以及，计分故障判断子单元，用于基于所述分类结果与打靶计分之间的比较，确定所述射击综合训练智能管理系统是否存在计分故障。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

在本申请的一个实施例中，图2为根据本申请实施例的射击综合训练智能管理系统的框图。如图2所示，根据本申请实施例的射击综合训练智能管理系统100，包括：模拟发射器110；靶面板模块120，用于接收由所述模拟发射器发射的激光信号；打印显示播放一体模块130；以及，后台系统140。

针对上述技术需求，本申请提供了一种模拟射击综合训练系统，其包括模拟发射器、靶面板模块，用于接收由所述模拟发射器发射的激光信号、打印显示播放一体模块，以及，后台系统。也就是，所述模拟射击综合训练系统是一种利用激光技术进行射击训练的系统，它可以模拟真实的射击环境，提高射手的射击技能和反应能力。射手使用模拟发射器进行射击，模拟发射器发射出的激光束照射到所述靶面板模块上，计分系统会根据激光束的位置来计算得分。训练软件可以模拟各种不同的射击场景和环境，让射手进行真实的射击训练。

图3为根据本申请实施例的射击综合训练智能管理系统中所述打印显示播放一体模块的框图，如图3所示，所述打印显示播放一体模块130，包括：成绩报靶单元131，用于语音播报成绩、脱靶和启动打靶；触摸显示单元132，用于显示打靶界面；成绩分析单元133，用于分析打靶成绩；成绩打印单元134，用于支持打靶成绩打印；成绩回放单元135，用于播放历史打靶视频；充电检测单元136，用于显示电量。

在本申请的技术方案中，所述打印显示播放一体模块，包括：成绩报靶单元，用于语音播报成绩、脱靶和启动打靶；触摸显示单元，用于显示打靶界面；成绩分析单元，用于分析打靶成绩；成绩打印单元，用于支持打靶成绩打印；成绩回放单元，用于播放历史打靶视频；以及，充电检测单元，用于显示电量。

图4为根据本申请实施例的射击综合训练智能管理系统中所述成绩回放单元的框图，如图4所示，所述成绩回放单元135，包括：图像获取子单元1351，用于获取待识别打靶图像；感兴趣区域提取子单元1352，用于将所述待识别打靶图像输入打靶命中区域目标检测网络以得到打靶命中感兴趣区域图像；浅层特征提取子单元1353，用于将所述打靶命中感兴趣区域图像输入基于第一卷积神经网络模型的浅层特征提取器以得到打靶命中浅层特征图；金字塔池化子单元1354，用于将所述打靶命中浅层特征图通过空间金字塔池化方式以得到池化特征图；深层特征提取子单元1355，用于将所述池化特征图输入基于第二卷积神经网络模型的深层特征提取器以得到打靶命中深层特征图；融合子单元1356，用于融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图；打靶得分标签生成子单元1357，用于将所述分类特征图输入分类器以得到分类结果，所述分类结果用于表示打靶得分标签；以及，计分故障判断子单元1358，用于基于所述分类结果与打靶计分之间的比较，确定所述射击综合训练智能管理系统是否存在计分故障。

具体地，在本申请实施例中，所述图像获取子单元1351，用于获取待识别打靶图像。特别地，在本申请的技术方案中，射手使用模拟发射器进行射击，模拟发射器发射出的激光束照射到所述靶面板模块上，计分系统会根据激光束的位置来计算得分。但是，如果计分系统出现故障会导致错误的打靶计分，因此，期待能够对打靶积分的精准度进行校验。应注意到，在本申请的技术方案中，软件自动保存30天内打靶视频、可播放历史打靶显示界面。相应地，基于打靶图像识别来得到打靶得分，并基于该打靶得分与由精度靶面板模块提供的打靶得分进行比较，以校验设备是否发生故障。

具体地，首先获取待识别打靶图像。应可以理解，在激光打靶综合训练系统中，射手使用模拟发射器进行射击，模拟发射器发射出的激光束照射到靶面板模块上，形成一幅打靶图像。这幅打靶图像包含了射击的命中位置和其他相关信息，是进行打靶得分识别的基础。

具体地，在本申请实施例中，所述感兴趣区域提取子单元1352，用于将所述待识别打靶图像输入打靶命中区域目标检测网络以得到打靶命中感兴趣区域图像。然后，将所述待识别打靶图像输入打靶命中区域目标检测网络以得到打靶命中感兴趣区域图像。这里，将所述待识别打靶图像输入打靶命中区域目标检测网络以得到打靶命中感兴趣区域图像，是为了在待识别打靶图像中准确地定位出打靶命中的区域，从而提取出打靶命中的感兴趣区域图像。

其中，所述打靶命中区域目标检测网络为基于锚窗的目标检测网络。

具体地，在本申请实施例中，所述浅层特征提取子单元1353，用于将所述打靶命中感兴趣区域图像输入基于第一卷积神经网络模型的浅层特征提取器以得到打靶命中浅层特征图。接着，将所述打靶命中感兴趣区域图像输入基于第一卷积神经网络模型的浅层特征提取器以得到打靶命中浅层特征图。

也就是，在本申请的技术方案中，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述打靶命中感兴趣区域图像的图像浅层特征，包括边缘、颜色、纹理。

在本申请一个具体的示例中，所述第一卷积神经网络模型的网络结构为：输入层->卷积层1->激活函数1->卷积层2->激活函数2->输出层->卷积层3->激活函数3。也就是说，所述第一卷积神经网络模型包括3个卷积层，用于对所述打靶命中感兴趣区域图像进行卷积运算以提取所述打靶命中感兴趣区域图像的图像浅层特征。

换言之，所述第一卷积神经网络模型包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层、第三激活层和输出层。

更具体地，所述第一卷积层使用16个大小为3x3的卷积核，步长为1，padding为1，激活函数使用ReLU。所述第二卷积层使用32个大小为3x3的卷积核，步长为1，padding为1，激活函数使用ReLU。所述第三卷积层使用64个大小为3x3的卷积核，步长为1，padding为1，激活函数使用ReLU。

应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述打靶命中感兴趣区域图像的浅层特征，不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高分类结果的精准度。同时，深度神经网络的结构往往比较复杂，需要大量的样本数据来训练和调整，而深度网络的训练时间较长，容易过拟合。因此，在神经网络模型的设计中，通常采用浅层网络，可以在一定程度上降低网络的复杂度和过拟合的风险，同时提高模型的特征提取能力和泛化能力。

具体地，在本申请实施例中，所述金字塔池化子单元1354，用于将所述打靶命中浅层特征图通过空间金字塔池化方式以得到池化特征图。进而，将所述打靶命中浅层特征图通过空间金字塔池化方式以得到池化特征图。本领域普通技术人员知晓，在特征提取过程中，网络不断加深，导致实际网络感受野总有一定偏差，使网络无法有效融合全局特征，丢失特征信息问题。空间金字塔池化方式(Spatial Pyramid Pooling,SPP)是一种用于图像分类任务的池化方法。它采用多个不同尺度的池化层来处理输入的打靶命中浅层特征图，使得模型能够在不同尺度的物体上保持不变性，从而提高分类精度。具体来说，SPP方式将输入的打靶命中浅层特征图分成若干个不同尺度的子图，对每个子图分别进行池化操作，得到固定大小的输出。然后将这些输出连接起来，最终得到一个固定维度的池化特征图。SPP方式的优点是，它在不损失图像信息的情况下，能够处理不同尺度的输入，提高了模型的鲁棒性和分类精度。同时，SPP方式还具有一定的空间不变性，可以有效地消除图像尺度变化和空间变形的影响。SPP方式通常被应用于深度神经网络中，如在目标检测网络中引入SPP方式，可以大大提高检测结果的精度。

基于此，在本申请的技术方案中，引入空间金字塔池化思想，其采用聚合策略将1×1、2×2、3×3、6×6四种不同尺度的平均池化窗口作用于传入的高级语义信息，实现将丰富的高层次信息向低层次特征的映射，利用1×1卷积将池化的4个特征图进行通道压缩，通过3×3的卷积层的特征整合和跳跃连接通道，与未经池化的特征图进行级联融合。

即所述空间金字塔池化方式使用四种不同尺度的平均池化窗口，其中，所述四种不同尺度的平均池化窗口的尺度为1×1、2×2、3×3和6×6。

这里，采用金字塔网络可以获得更加丰富和准确的图像特征信息。应当了解，传统的特征提取方法难以同时兼顾图像细节和整体特征，例如，卷积神经网络(CNN)对图像进行前向传播，从而提取出特定层次的特征信息，也就是说，卷积神经网络在特征提取过程中只能关注当前层次的信息，难以同时兼顾图像细节和整体特征；而基于金字塔网络的特征提取模型可以在不同尺度上提取图像的不同特征，使得所提取的特征信息更加全面和准确，从而能够更好地反映出永磁体磁共振图像中的微小细节和重要特征。

具体地，在本申请实施例中，所述深层特征提取子单元1355，用于将所述池化特征图输入基于第二卷积神经网络模型的深层特征提取器以得到打靶命中深层特征图。进而，将所述池化特征图通过基于第二卷积神经网络模型的深层特征提取器以得到打靶命中深层特征图。也就是，在进行浅层特征提取和空间金字塔池化后，进一步使用卷积神经网络模型对所述池化特征图进行卷积处理以捕捉所述打靶命中感兴趣区域图像中的图像深层特征，所述图像深层特征包含了更加抽象和高级的信息，如物体的形状、结构、纹理等。

其中，所述深层特征提取子单元1355，用于：使用所述基于第二卷积神经网络模型的深层特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第二卷积神经网络模型的深层特征提取器的深层输出为所述打靶命中深层特征图。

卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。

卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。

具体地，在本申请实施例中，所述融合子单元1356，用于融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图。在得到所述打靶命中浅层特征图和所述打靶命中深层特征图后，融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图。也就是，融合所述打靶命中感兴趣区域图像的不同深度的图像特征以提取图像特征的丰富度和层次感以得到所述分类特征图。

在本申请的技术方案中，考虑到基于第一卷积神经网络模型的浅层特征提取器从所述打靶命中感兴趣区域图像提取到图像源语义的浅层空间局部关联特征，而在所述打靶命中浅层特征图通过空间金字塔池化方式和基于第二卷积神经网络模型的深层特征提取器之后，进一步在所述打靶命中浅层特征图的图像源语义的浅层空间局部关联特征的基础上进一步获得空间多尺度特征表示的高阶深层空间局部关联特征。因此，在融合所述打靶命中浅层特征图和所述打靶命中深层特征图得到所述分类特征图时，需要考虑到所述打靶命中浅层特征图和所述打靶命中深层特征图各自的空间图像语义关联特征表示进行融合。

基于此，本申请对所述打靶命中浅层特征图和所述打靶命中深层特征图进行全局上下文空间关联富化融合，具体表示为：以如下融合公式融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图；其中，所述融合公式为：

其中，M

这里，为了聚集在所述打靶命中浅层特征图和所述打靶命中深层特征图之间关联分布的本地空间语义之间的上下文空间关联语义，所述全局上下文空间关联富化融合通过聚焦于特征图的特征矩阵所表示的空间帧级别(spatial frame-level)的显式上下文相关性，来富化(enriching)全局感知野下的特征矩阵的帧级别的空间语义融合式表达，从而实现所述打靶命中浅层特征图和所述打靶命中深层特征图的跨通道的空间共享上下文语义的同化(assimilation)融合，以提升所述分类特征图对所述打靶命中浅层特征图和所述打靶命中深层特征图的融合效果。

具体地，在本申请实施例中，所述打靶得分标签生成子单元1357和所述计分故障判断子单元1358，用于将所述分类特征图输入分类器以得到分类结果，所述分类结果用于表示打靶得分标签；以及，用于基于所述分类结果与打靶计分之间的比较，确定所述射击综合训练智能管理系统是否存在计分故障。

进而，将所述分类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打靶得分标签。也就是，以所述分类器来确定所述分类特征图所属的类概率标签，所述类概率标签为打靶得分标签。这样，可基于所述分类结果与打靶计分之间的比较，确定所述射击综合训练智能管理系统是否存在计分故障。

图5为根据本申请实施例的射击综合训练智能管理系统中所述打靶得分标签生成子单元的框图，如图5所示，所述打靶得分标签生成子单元1357，包括：展开二级子单元13571，用于将所述分类特征图按照行向量或列向量展开为分类特征向量；全连接编码二级子单元13572，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类二级子单元13573，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本申请实施例的射击综合训练智能管理系统100被阐明，其包括：模拟发射器；靶面板模块，用于接收由所述模拟发射器发射的激光信号；打印显示播放一体模块；以及，后台系统。这样，可以利用激光技术进行射击训练的系统，模拟真实的射击环境，提高射手的射击技能和反应能力。

如上所述，根据本申请实施例的射击综合训练智能管理系统100可以实现在各种终端设备中，例如用于射击综合训练智能管理的服务器等。在一个示例中，根据本申请实施例的射击综合训练智能管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该射击综合训练智能管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该射击综合训练智能管理系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该射击综合训练智能管理系统100与该终端设备也可以是分立的设备，并且该射击综合训练智能管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

在本申请的一个实施例中，图6为根据本申请实施例的射击综合训练智能管理方法的流程图。如图6所示，根据本申请实施例的射击综合训练智能管理方法，其包括：210，获取待识别打靶图像；220，将所述待识别打靶图像输入打靶命中区域目标检测网络以得到打靶命中感兴趣区域图像；230，将所述打靶命中感兴趣区域图像输入基于第一卷积神经网络模型的浅层特征提取器以得到打靶命中浅层特征图；240，将所述打靶命中浅层特征图通过空间金字塔池化方式以得到池化特征图；250，将所述池化特征图输入基于第二卷积神经网络模型的深层特征提取器以得到打靶命中深层特征图；260，融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图；270，将所述分类特征图输入分类器以得到分类结果，所述分类结果用于表示打靶得分标签；以及，280，基于所述分类结果与打靶计分之间的比较，确定所述射击综合训练智能管理系统是否存在计分故障。

图7为根据本申请实施例的射击综合训练智能管理方法的系统架构的示意图。如图7所示，在所述射击综合训练智能管理方法的系统架构中，首先，获取待识别打靶图像；然后，将所述待识别打靶图像输入打靶命中区域目标检测网络以得到打靶命中感兴趣区域图像；接着，将所述打靶命中感兴趣区域图像输入基于第一卷积神经网络模型的浅层特征提取器以得到打靶命中浅层特征图；然后，将所述打靶命中浅层特征图通过空间金字塔池化方式以得到池化特征图；接着，将所述池化特征图输入基于第二卷积神经网络模型的深层特征提取器以得到打靶命中深层特征图；然后，融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图；接着，将所述分类特征图输入分类器以得到分类结果，所述分类结果用于表示打靶得分标签；以及，最后，基于所述分类结果与打靶计分之间的比较，确定所述射击综合训练智能管理系统是否存在计分故障。

在一个具体示例中，在上述射击综合训练智能管理方法中，所述打靶命中区域目标检测网络为基于锚窗的目标检测网络。

在一个具体示例中，在上述射击综合训练智能管理方法中，所述第一卷积神经网络模型包括输入层、第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层、第三激活层和输出层。

在一个具体示例中，在上述射击综合训练智能管理方法中，所述第一卷积层使用16个大小为3x3的卷积核，步长为1，padding为1，所述第二卷积层使用32个大小为3x3的卷积核，步长为1，padding为1，所述第三卷积层使用64个大小为3x3的卷积核，步长为1，padding为1。

在一个具体示例中，在上述射击综合训练智能管理方法中，所述空间金字塔池化方式使用四种不同尺度的平均池化窗口，其中，所述四种不同尺度的平均池化窗口的尺度为1×1、2×2、3×3和6×6。

在一个具体示例中，在上述射击综合训练智能管理方法中，将所述池化特征图输入基于第二卷积神经网络模型的深层特征提取器以得到打靶命中深层特征图，包括：使用所述基于第二卷积神经网络模型的深层特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第二卷积神经网络模型的深层特征提取器的深层输出为所述打靶命中深层特征图。

在一个具体示例中，在上述射击综合训练智能管理方法中，融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图，包括：以如下融合公式融合所述打靶命中浅层特征图和所述打靶命中深层特征图以得到分类特征图；其中，所述融合公式为：

其中，M

在一个具体示例中，在上述射击综合训练智能管理方法中，将所述分类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打靶得分标签，包括：将所述分类特征图按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

本领域技术人员可以理解，上述射击综合训练智能管理方法中的各个步骤的具体操作已经在上面参考图1到图5的射击综合训练智能管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。

本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。

在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。

应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

最后，还需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。