[发明专利]一种基于KDS R-CNN的轻量化导航标志物检测方法

说明书

本发明提供了一种基于KDSR‑CNN的轻量化导航标志物检测方法，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从而提高模型精度；S5、在嵌入式平台上部署进行推理验证。本发明显著降低了模型的参数量和计算量，更易部署在嵌入式平台，同时提高了导航标志物的检测精度，从而可以有效提高视觉导航的定位精度，有效实现了飞行器的实时航空目标检测。

技术领域

本发明属于飞行器视觉导航方法应用技术领域，具体涉及一种基于KDS R-CNN的轻量化导航标志物检测方法。

背景技术

近年来，飞行器自主视觉导航技术发展迅速，是飞行器智能导航制导、态势感知和自主决策的发展需要，在航空目标检测、识别和跟踪等典型空基平台任务中发挥着不可替代的作用。由于飞行器平台的硬件计算资源有限，大多难以部署检测精度高的大体量算法模型，或部署后计算速度或精度较差，难以满足实时检测的需要。因此需要设计一种针对嵌入式设备的轻量化导航标志物检测方法，能够有效实现飞行器对导航标志物的实时检测，提高检测精度和运行速度，具有重要而广泛的应用前景。

发明内容

本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种基于KDS R-CNN的轻量化导航标志物检测方法，该方法克服了现有方法中存在的模型参数量大、计算速度慢、检测精度低的问题，还可以部署到硬件计算资源有限的飞行器平台上，使计算资源受限的飞行器平台可以有效实现快速、高精度、实时的导航标志物检测。

为解决上述技术问题，本发明采用的技术方案是：一种基于KDS R-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KDS R-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。

优选地，所述S1的具体操作方式为：

S101、利用道通智能EVOⅡ无人机在设定的视觉导航区域内按规划路径进行巡航，飞行高度为350m，视角为正下视，拍摄得到导航区域的航空影像，视频中包含房屋、道路、植物等；

S102、对于导航标志物，无人机飞行曲线设置为螺旋曲线，无人机绕着导航标志物飞行5圈，飞行高度从350米逐渐下降到50米，得到不同尺度、不同视角的航空影像。

优选地，所述S2的具体操作方式为：由于无人机航拍获取的航空影像数据量有限，因此可以通过网络爬虫和地面摄像头拍摄等方法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。

优选地，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。