[发明专利]一种基于嵌入式平台的雷达图像智能识别方法和系统

权利要求书

1.一种基于嵌入式平台的雷达图像智能识别方法，其特征在于，包括：

步骤S1，针对RK35系列嵌入式平台制作多通道地下病害数据集；

步骤S2，通过知识蒸馏获取轻量化模型，并根据预设设置调整输出损失权重、特征损失的权重以及模型训练参数；

步骤S3，对所述轻量化模型进行RK35系列嵌入式平台的适配，在通过中间格式完成模型转换之后，进行部署；

步骤S4，输出数据处理和推理结果；

所述步骤S1包括以下子步骤：

步骤S101，筛选并建立基于三维雷达B-SCAN灰度雷达图像的图片集，并对所有通道的所有目标进行标注形成单通道数据集；

步骤S102，遍历步骤S101的单通道数据集，以当前样本灰度垂剖图作为第一通道特征自动生成第一通道特征图；

步骤S103，提取第一通道特征图在单通道数据及其两个相邻通道灰度垂剖图，并进行融合后作为第二增强特征图；

步骤S104，通过特征增强处理突出目标细节特征，生成第三增强特征图；

步骤S105，将所述步骤S102的第一通道特征图、步骤S103的第二增强特征图以及步骤S104的第三增强特征图进行合成，得到多通道B-SCAN雷达图像。

2.根据权利要求1所述的基于嵌入式平台的雷达图像智能识别方法，其特征在于，所述步骤S103中，对于第n通道的特征图，取n-1,n+1相邻两通道的特征图，根据公式 进行融合，其中，表示的是第二增强特征图各像素点；表示的是当前第一通道特征图的像素，和分别表示的是对应相邻两通道特征图的像素。

3.根据权利要求1所述的基于嵌入式平台的雷达图像智能识别方法，其特征在于，所述步骤S102中，自动生成第一通道特征图的过程包括全局背景消除处理、SEC增益处理以及K-L变换处理；所述步骤S104中，所述特征增强处理包括水平背景消除处理、三角带通滤波处理、自动增益控制处理、小波降噪以及限制对比度自适应直方图均衡化处理。

4.根据权利要求1至3任意一项所述的基于嵌入式平台的雷达图像智能识别方法，其特征在于，所述步骤S2包括以下子步骤：

步骤S201，基于YOLOV5-S构建教师网络；

步骤S202，基于YOLOV5-S通过引入GhostNet构建学生网络；

步骤S203，基于步骤S201获得的数据集训练教师网络并得到教师模型；

步骤S204，通过知识蒸馏获取轻量化模型。

5.根据权利要求4所述的基于嵌入式平台的雷达图像智能识别方法，其特征在于，所述步骤S204中，通过以Relu替换Swish激活函数使得教师-学生网络结构实现知识蒸馏，并调整特征损失权重输出损失权重以及模型训练参数，通过公式计算总的蒸馏损失，并控制总的蒸馏损失小于预设差距，其中，表示的是学生网络的损失，，、以及分别是YOLOV5网络的回归损失、置信度损失和分类损失；表示的是教师网络和学生网络对应特征层之间的损失，，分别为对应的学生网络和教师网络特征层，函数为均方差损失，为循环周期，=3；表示的是教师网络和学生网络对应输出层的输出损失，=，为网络的推理输出，和分别代表学生网络和教师网络，、以及分别对应回归、置信度和分类的推理输出分量。

6.根据权利要求1至3任意一项所述的基于嵌入式平台的雷达图像智能识别方法，其特征在于，所述步骤S3包括以下子步骤：

步骤S301，通过Relu激活函数替换Swish激活函数，并通过等效反卷积替换上采样模块，然后进行重新训练；

步骤S302，对步骤S301生成的模型设置兼容性级别、模型精度类型以及模型参数后，将其转换为中间格式ONNX模型，再通过ONNX转换工具链，按照混合量化规则转为最终的RKNN模型；

步骤S303，调用使用外部预分配内存作为嵌入式神经网络处理器NPU的预分配输入输出缓冲区，并按照深度学习的NHWC格式加载待处理图像到输入缓冲区，调用rknn_run模型执行推理后，从输出缓冲区获取推理结果并进行非极大值抑制NMS的后处理运算，最后生成推理结果。