[发明专利]一种基于KDS R-CNN的轻量化导航标志物检测方法

权利要求书

1.一种基于KDSR-CNN的轻量化导航标志物检测方法，其特征在于，包括以下步骤：

S1、在巡航范围内获取无人机视角的航拍视频；

S2、制备视觉导航数据集并进行数据增强；

S3、构建轻量化KDSR-CNN网络模型；

S4、知识蒸馏训练轻量化网络提高模型精度；

S5、在嵌入式平台上部署模型并推理验证。

2.根据权利要求1所述的一种基于KDSR-CNN的轻量化导航标志物检测方法，其特征在于，所述S1的具体操作方式为：

S101、使无人机在设定的视觉导航区域内按规划路径进行巡航，拍摄得到导航区域的航空影像；

S102、无人机围绕导航标志物以螺旋曲线飞行，得到不同尺度、不同视角的航空影像。

3.根据权利要求1所述的一种基于KDSR-CNN的轻量化导航标志物检测方法，其特征在于，所述S2的具体操作方式为：通过多种拓展途径进一步获取不同视角、不同光照、不同天气下的导航标志物的图像，与S1中获得的影像共同构成基础数据集，然后利用几何空间和特征空间联合的图像增强算法对基础数据集进行增广，最后利用目标检测算法和KCF跟踪算法对增广后数据集中的导航标志物进行自动标注。

4.根据权利要求1所述的一种基于KDSR-CNN的轻量化导航标志物检测方法，其特征在于，所述S3的具体操作方式为：采用MobileNet为主干网络，利用深度可分离卷积代替标准卷积，利用稀疏且可学习的建议窗口对导航标志物的潜在位置进行初始猜测，而后通过训练和参数反向传播，不断学习标志物在图像中的真实位置，利用动态实例交互式头对RoI特征与建议特征进行交互，滤除无效的建议窗口并输出预测的目标特征，最后进行分类和回归预测，得到最终的定位和分类结果，利用迭代结构和自注意力模块进一步提高模型性能。

5.根据权利要求1所述的一种基于KDSR-CNN的轻量化导航标志物检测方法，其特征在于，所述S4的具体操作方式为：将S3构建的轻量化KDSR-CNN模型作为学生网络，教师网络采用SparseR-CNN模型，根据已训练好的权重文件，将教师网络输出结果作为先验信息，指导学生网络不断进行学习，同时更新学生网络参数；其次利用高斯接受场的标签分配策略，将教师网络提供的先验信息转化为高斯分布，然后根据高斯接受场距离来直接度量先验信息与预测结果之间的相似性；通过对学生网络不断进行微调训练，最终得到高精度、轻量化的KDSR-CNN检测模型。

6.根据权利要求1所述的一种基于KDSR-CNN的轻量化导航标志物检测方法，其特征在于，所述S5的具体操作方式为：首先在XavierNX上安装aarch64架构的Ubuntu18.04系统，根据算法要求配置环境；其次利用TensorRT对网络进行加速，通过对网络的垂直结构和水平结构进行重组和优化，消除无用的网络输出层；然后将预训练模型转转换生成wts文件，并将其生成部署引擎，最后利用部署的轻量化模型进行推理测试，得到检测结果。