[發明專利]一種基于嵌入式平臺的雷達圖像智能識別方法和系統

有效

• 申請號: 202210738557.X
• 申請日: 2022-06-28
• 公開（公告）號: CN114821346B
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 蔣曉鈞;黃鈺琳;石玉柱;李炫昊;王俊
• 申請（專利權）人: 深圳安德空間技術有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06N3/04;G06N3/08;G06V10/764;G06V10/82
• 代理公司: 深圳市錕劍恒富知識產權代理有限公司 44769
• 代理人: 溫玉珍

1.一種基于嵌入式平臺的雷達圖像智能識別方法，其特征在于，包括：

步驟S1，針對RK35系列嵌入式平臺制作多通道地下病害數據集；

步驟S2，通過知識蒸餾獲取輕量化模型，并根據預設設置調整輸出損失權重、特征損失的權重以及模型訓練參數；

步驟S3，對所述輕量化模型進行RK35系列嵌入式平臺的適配，在通過中間格式完成模型轉換之后，進行部署；

步驟S4，輸出數據處理和推理結果；

所述步驟S1包括以下子步驟：

步驟S101，篩選并建立基于三維雷達B-SCAN灰度雷達圖像的圖片集，并對所有通道的所有目標進行標注形成單通道數據集；

步驟S102，遍歷步驟S101的單通道數據集，以當前樣本灰度垂剖圖作為第一通道特征自動生成第一通道特征圖；

步驟S103，提取第一通道特征圖在單通道數據及其兩個相鄰通道灰度垂剖圖，并進行融合后作為第二增強特征圖；

步驟S104，通過特征增強處理突出目標細節特征，生成第三增強特征圖；

步驟S105，將所述步驟S102的第一通道特征圖、步驟S103的第二增強特征圖以及步驟S104的第三增強特征圖進行合成，得到多通道B-SCAN雷達圖像。

2.根據權利要求1所述的基于嵌入式平臺的雷達圖像智能識別方法，其特征在于，所述步驟S103中，對于第n通道的特征圖，取n-1,n+1相鄰兩通道的特征圖，根據公式 進行融合，其中，表示的是第二增強特征圖各像素點；表示的是當前第一通道特征圖的像素，和分別表示的是對應相鄰兩通道特征圖的像素。

3.根據權利要求1所述的基于嵌入式平臺的雷達圖像智能識別方法，其特征在于，所述步驟S102中，自動生成第一通道特征圖的過程包括全局背景消除處理、SEC增益處理以及K-L變換處理；所述步驟S104中，所述特征增強處理包括水平背景消除處理、三角帶通濾波處理、自動增益控制處理、小波降噪以及限制對比度自適應直方圖均衡化處理。

4.根據權利要求1至3任意一項所述的基于嵌入式平臺的雷達圖像智能識別方法，其特征在于，所述步驟S2包括以下子步驟：

步驟S201，基于YOLOV5-S構建教師網絡；

步驟S202，基于YOLOV5-S通過引入GhostNet構建學生網絡；

步驟S203，基于步驟S201獲得的數據集訓練教師網絡并得到教師模型；

步驟S204，通過知識蒸餾獲取輕量化模型。

5.根據權利要求4所述的基于嵌入式平臺的雷達圖像智能識別方法，其特征在于，所述步驟S204中，通過以Relu替換Swish激活函數使得教師-學生網絡結構實現知識蒸餾，并調整特征損失權重輸出損失權重以及模型訓練參數，通過公式計算總的蒸餾損失，并控制總的蒸餾損失小于預設差距，其中，表示的是學生網絡的損失，，、以及分別是YOLOV5網絡的回歸損失、置信度損失和分類損失；表示的是教師網絡和學生網絡對應特征層之間的損失，，分別為對應的學生網絡和教師網絡特征層，函數為均方差損失，為循環周期，=3；表示的是教師網絡和學生網絡對應輸出層的輸出損失，=，為網絡的推理輸出，和分別代表學生網絡和教師網絡，、以及分別對應回歸、置信度和分類的推理輸出分量。

6.根據權利要求1至3任意一項所述的基于嵌入式平臺的雷達圖像智能識別方法，其特征在于，所述步驟S3包括以下子步驟：

步驟S301，通過Relu激活函數替換Swish激活函數，并通過等效反卷積替換上采樣模塊，然后進行重新訓練；

步驟S302，對步驟S301生成的模型設置兼容性級別、模型精度類型以及模型參數后，將其轉換為中間格式ONNX模型，再通過ONNX轉換工具鏈，按照混合量化規則轉為最終的RKNN模型；

步驟S303，調用使用外部預分配內存作為嵌入式神經網絡處理器NPU的預分配輸入輸出緩沖區，并按照深度學習的NHWC格式加載待處理圖像到輸入緩沖區，調用rknn_run模型執行推理后，從輸出緩沖區獲取推理結果并進行非極大值抑制NMS的后處理運算，最后生成推理結果。