Os parâmetros de movimento do grupo de fragmentos da ogiva têm uma importância significativa na avaliação do poder destrutivo da munição. Para enfrentar o problema da baixa precisão na detecção de fragmentos devido ao tamanho reduzido dos fragmentos, informações de fundo complexas e poucas amostras de dados de fragmentos, este artigo propõe um método de detecção de alvos do grupo de fragmentos da ogiva YOLOv5-FD. Primeiramente, foi adicionada uma camada de detecção de pequenos alvos na saída da rede, alterando das três escalas originais para quatro escalas, e um módulo de upsampling Content Aware ReAssembly of Features (CARAFE) foi introduzido na rede de fusão de características para substituir o upsampling por interpolação do vizinho mais próximo, reduzindo a perda de informações das características de pequenos alvos e melhorando a capacidade de extração de fragmentos pequenos e fracos. Em segundo lugar, foi introduzido o módulo de atenção coordenada (Coordinate Attention, CA) na rede de extração de características, fortalecendo a extração das características dos fragmentos, atenuando as informações de fundo e suprimindo as interferências do fundo complexo. Por fim, durante o treinamento do modelo, foi introduzido o método de meta-aprendizagem agnóstico ao modelo (Model Agnostic Meta Learning, MAML), alcançando um alto desempenho de detecção usando apenas pequenos conjuntos de dados de fragmentos. Resultados experimentais mostram que o algoritmo de detecção de fragmentos YOLOv5-FD alcançou precisão de 90,5%, taxa de recall de 85,4% e média de precisão mAP_0.5 de 88,2% em um conjunto de dados de fragmentos autoinduzido, melhorando respectivamente em 7,1%, 7,9% e 7,5% em comparação com o algoritmo original YOLOv5s, aumentando efetivamente a precisão de detecção de alvos de fragmentos.

Fragmentos de alta velocidade;Detecção de alvos;YOLOv5;Reassemblagem de características;Mecanismo de atenção;Meta-aprendizagem