[发明专利]基于智能加速卡的地面无人平台自主导航系统设计方法

权利要求书

1.一种基于智能加速卡的地面无人平台自主导航系统部署方法，其特征在于，该方法包括如下步骤：

S11、选择寒武纪智能加速卡MLU100作为通用处理器的外接设备，通过PCIe总线完成自主导航计算机上的处理器和加速卡之间的信息交互，实现加速卡的系统集成；

S12、UNREAL半实物仿真和物理环境下采集装甲车辆图像，通过OpenCV开源库对原始数据进行增加；

S13、利用Labelme工具对图像中的装甲车辆进行标注，根据装甲车辆在图像中的项目位置和装甲车类别制作JSON文件，形成自制装甲车辆数据集；VOC2007、VOC2012图像检测公开数据集与自制装甲车辆数据集进行结合，形成多类样本数据库，构成YOLOv3识别模型的训练与测试数据，其中的80％用于训练，20％用于测试；

S14、在通用服务器上部署基于残差神经网络改进的Darknet53框架下的YOLOv3识别算法，并对上述数据集进行迭代训练，初始学习率设为0.001，遗忘因子设为0.9，迭代次数设为50000，训练过程中通过平均准确率自适应调整训练参数，使用多尺度训练、多标签分类方法得到最终的目标识别模型；

S15、通过工具darknet2caffe-yolov3.py将通用服务器Darknet框架下的目标识别模型转为Caffe架构下的模型；

S16、调整生成的YOLOv3模型文件；首先修改输入层，设置输出图片为[13416416]，新增RGB三通道均值和标准差为[0000.00392]；再修改上采样层，先将两个采样层的类型“Upsample”修改为“Interp”，再分别将采样层尺寸参数“upsample_param”{scale:2}修改为“interp_param”{height:26width:26}和{height:52width:52}；然后修改卷积“convolution”层，将“num_output”的值修改为3×(类别数目21+5)＝78；最后修改yolov3参数层，将识别类别修改为21，实现模型适配工作；

S17、国产智能计算加速卡MLU100采用多核处理架构，采用数据并行和模型并行的方式运行；

S18、通过离线模型转换工具将Caffe框架下训练出来的.caffemodel模型进行转换，将基本算子、融合算子、MLU核版本、权重、输入/输出数据尺寸、参数信息、模型版本和MLU指令集成到模型中,使得目标检测算法彻底脱离机器学习库和深度学习框架运行,直接调用寒武纪智能加速卡的底层并行计算库；

S19、开发应用程序，包括前处理、后处理、推理三部分；前处理部分负责采集场景中的图片帧并将其转化为预设尺寸；推理部分负责加载YOLOv3算法离线模型，并分配输入、输出数据内存,以及绑定加速卡设备和环境变量，最后通过CNRT(Cambricon Neuware RuntimeLibrary)和驱动交给MLU100智能加速卡进行推理识别，后处理负责将推理的结果进行显示，结果为目标检测的边界框。

2.如权利要求1所述的基于智能加速卡的地面无人平台自主导航系统部署方法，其特征在于，所述步骤S12中，通过OpenCV开源库实施剪切、平移、旋转、镜像、调整亮度和增加噪声对原始数据进行增加，动态生成5000余张装甲车辆图像。

3.如权利要求1所述的基于智能加速卡的地面无人平台自主导航系统部署方法，其特征在于，所述步骤S13中，形成人、鸟、猫、牛、狗、马、羊、飞机、自行车、船、公共汽车、汽车、摩托车、火车、瓶子、椅子、餐桌、盆栽、沙发、显示器、装甲车共21类样本数据库。

4.如权利要求1所述的基于智能加速卡的地面无人平台自主导航系统部署方法，其特征在于，所述步骤S17中，针对目标检测的实时性要求，设置最大模型并行度，对YOLOv3模型进行分割，以便启动多个运算核计算不同的输入数据，完成模型在不同的核上的并行运算。