[发明专利]基于云边协同技术的无人机集群的目标识别系统及方法

说明书

本发明公开了一种基于云边协同技术的无人机集群的目标识别系统及方法，包括图像采集设备、边缘计算设备及云平台；其中图像采集设备及边缘计算设备设置在无人机上；图像采集设备用于采集环境图像；边缘计算设备用于对图像采集设备采集的环境图像进行处理并从中识别出目标图像；边缘计算设备内置有图像目标识别系统，图像目标识别系统包括神经网络模型A；云平台用于优化神经网络模型A的模型参数，其与边缘计算设备及图像采集设备通过无线网络连接。本发明提高了计算资源的利用率、目标识别的速度、目标识别的准确度，并增强了目标识别的泛化能力。

技术领域

本发明涉及一种无人机集群的目标识别系统及方法，特别涉及一种基于云边协同技术的无人机集群的目标识别系统及方法。

背景技术

目标识别技术作为当下最流行的图像技术，已广泛应用于国民经济的各个领域。在农业发展中，可以对农作物分类辨识,并作长势检查和产量估计；在地质探测中，可应用目标识别技术对位置地域表面的地形测绘和电磁物理特性参数测量；特别是目标识别技术在无人机上的应用，极大的加快了无人机的智能化发展。

近年来，随着深度学习的迅猛发展，基于卷积神经网络(CNN)的目标检测算法相比于传统算法更具优势，已成为当前解决目标检测问题的首选方法。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理领域有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。虽然基于CNN的各类目标检测算法如R-CNN、YOLO、SSD等在识别性能方面效果优异，但其普遍具有较高的计算复杂性和较大的模型体积，无法充分满足计算能力、存储空间、功耗等资源受限场合的应用需求。

然而，追求轻量化的无人机显然无法搭载具有强大计算能力的GPU等设备，因此为了提高目标检测算法在嵌入式平台等资源受限条件下的应用能力，各种轻量化目标检测算法，包括Light-Head、R-CN、Tiny-YOLO、Tiny-SSD等算法先后发展而来，有效提高了嵌入式目标检测算法的实时性。但由于对算法的简化，其目标识别的准确性难以得到保障，且目标识别的泛化性降低。

综上所述，基于嵌入式平台的轻量化目标识别方法对无人机的目标识别需求具有重要意义。然而受限于嵌入式平台资源的计算能力，目标识别的准确性和快速性不能得到有效保障，特别是在强调高动态性和强对抗的无人机领域对目标识别的准确性和快速性都提出了更高的要求。因此，在保证嵌入式目标识别快速性的前提下，提高各种复杂环境下无人机集群目标识别的准确度与泛化能力具有重要意义，是当前嵌入式目标识别领域的重要研究方向。

发明内容

本发明为解决公知技术中存在的技术问题而提供一种基于云边协同技术的无人机集群的目标识别系统及方法。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种基于云边协同技术的无人机集群的目标识别系统，包括图像采集设备、边缘计算设备及云平台；其中图像采集设备及边缘计算设备设置在无人机上；图像采集设备用于采集环境图像；边缘计算设备用于对采集的环境图像进行处理并从中识别出目标图像；边缘计算设备内置有图像目标识别系统，图像目标识别系统包括神经网络模型A；云平台用于优化神经网络模型A的模型参数，其与边缘计算设备及图像采集设备通过无线网络连接。

进一步地，云平台包括与神经网络模型A同样结构的神经网络模型B。

进一步地，神经网络模型A及神经网络模型B采用深度可分离卷积并基于YOLOv3网络结构搭建。

进一步地，边缘计算设备包括处理器及现场可编程门阵列逻辑器件。