机载目标识别模型构建平台、机载目标识别方法及设备技术

本发明专利技术涉及一种机载目标识别模型构建平台、机载目标识别方法及设备，机载目标识别模型构建平台，包括：存储服务器，用于将实测数据和特性数据存储至对应的分类训练数据集；训练服务器，用于将分类训练数据集中的每一个样本输入到深度学习网络，进行特征训练，当接收到生成指令时，为特征训练的结果生成机载目标识别模型；当接收到反向传播指令时，将特征训练的结果反向输入到深度学习网络，进行特征训练；识别服务器，用于对特征训练的结果进行识别测试，并针对识别测试结果，统计识别率，当识别率不小于预设的识别基准值时，发送模型生成指令，否则，发送反向传播指令。本发明专利技术提供的方案能够有效地提高机载目标识别的准确率。

Airborne target recognition model building platform, airborne target recognition method and equipment

The invention relates to an airborne target recognition model construction platform, an airborne target recognition method and equipment. The airborne target recognition model construction platform includes: a storage server for storing measured data and characteristic data into corresponding classified training data sets; and a training server for storing each of the classified training data sets. A sample is input into the deep learning network for feature training, and an airborne target recognition model is generated for the result of feature training when the generating instruction is received; when the back-propagation instruction is received, the result of feature training is input into the deep learning network for feature training; and the recognition server is used for feature training. The result of training is tested, and the recognition rate is counted. When the recognition rate is not less than the preset recognition benchmark value, the model generation instruction is sent, otherwise, the back propagation instruction is sent. The scheme provided by the invention can effectively improve the accuracy of airborne target recognition.

【技术实现步骤摘要】
机载目标识别模型构建平台、机载目标识别方法及设备
本专利技术涉及图像目标识别
，尤其涉及一种机载目标识别模型构建平台、机载目标识别方法及设备。
技术介绍
目前，在机载资源受限平台如无人机的下视目标识别中，基本上是利用模板匹配方法通过人工进行辅助判别。模板匹配方法主要是利用目标的特性构建特性模板，比如：以汽车的四个轮子为特征构建汽车特性模板，以树木的树叶和枝干为特征构建树木特性模板等等，通过将构建的特性模板与目标进行匹配，以确定目标。此传统方法的判别准确率严重依赖于特征选择与特性建模的准确性，受到人工经验限制。因此，针对以上不足，需要提供一种能够提高识别准确率的机载目标识别模型构建平台、机载目标识别方法及设备。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术中的缺陷，提供一种能够提高识别准确率的机载目标识别模型构建平台、机载目标识别方法及设备。为了解决上述技术问题，本专利技术提供了一种机载目标识别模型构建平台，包括：存储服务器、训练服务器及识别服务器，其中，所述存储服务器，用于获取实测数据和特性数据，并将所述实测数据和所述特性数据存储至对应的分类训练数据集；所述训练服务器，用于将所述分类训练数据集中的每一个样本输入到预先部署的深度学习网络，进行特征训练，当接收到所述生成指令时，为特征训练的结果生成机载目标识别模型；当接收到所述反向传播指令时，将特征训练的结果反向输入到所述深度学习网络，进行特征训练；所述识别服务器，用于对特征训练的结果进行识别测试，并针对识别测试结果，统计识别率，当所述识别率不小于预设的识别基准值时，发送模型生成指令给所述训练服务器，否则，发送反向传播指令给所述训练服务器。可选地，所述深度学习网络，包括：多尺度目标检测网络；所述训练服务器，进一步用于部署不同尺寸的卷积模型，针对每一个所述分类训练数据集，利用不同尺寸的所述卷积模型对每一个样本进行特征提取，将提取到的所述训练数据集中所有样本的特征输入到所述多尺度目标检测网络，进行特征训练，以确定所述训练数据集对应的初级目标识别模型，当接收到所述生成指令时，确定所述初级目标识别模型为机载目标识别模型；当接收到所述反向传播指令时，将所述初级目标识别模型及偏差通过反向传播的方式输入到所述多尺度目标检测网络，进行特征训练；所述识别服务器，进一步用于当所述识别率小于预设的识别基准值时，计算初级目标识别模型的识别测试结果与预设的期望结果之间的偏差，并发送所述偏差及反向传播指令给所述训练服务器。可选地，所述识别率，包括：识别查全率和识别查准率；所述识别服务器，用于利用下述识别查全率计算公式和识别查准率计算公式，分别统计识别查全率和识别查准率，当所述计识别查全率不小于80％，且所述识别查准率不小于85％时，发送模型生成指令给所述训练服务器，否则，发送反向传播指令给所述训练服务器；识别查全率计算公式：R＝TP/(TP+FN)识别查准率计算公式：P＝TP/(TP+FP)其中，R表征识别查全率；P表征识别查准率；TP表征针对识别测试结果来说，预测识别测试结果为正，实际识别测试结果为正的个数；TN表征针对识别测试结果来说，预测识别测试结果为负，实际识别测试结果为负的个数；FP表征针对识别测试结果来说，预测识别测试结果为正，实际识别测试结果为负的个数；FN表征针对识别测试结果来说，预测识别测试结果为负，实际识别测试结果为正的个数。可选地，所述训练服务器，用于根据下述偏差计算公式，计算初级目标识别模型的识别测试结果与预设的期望结果之间的偏差；偏差计算公式：Y＝FP+FN其中，Y表征偏差；FP表征针对识别测试结果来说，预测识别测试结果为正的个数，实际识别测试结果为负；FN表征针对识别测试结果来说，预测识别测试结果为负，实际识别测试结果为正的个数。本专利技术还提供了一种机载目标识别方法，其特征在于：利用上述任一所述的外部机载目标识别模型构建平台构建机载目标识别模型，将所述机载目标识别模型加载到至少三个嵌入式GPU；还包括：通过一个嵌入式ARM型CPU获取外部发送的视频信息，并对所述视频信息进行预处理；按照预先在所述嵌入式ARM型CPU上设置的storm调度策略，将预处理后的视频信息和任务分配给所述至少三个嵌入式GPU；按照所述任务，每一个所述嵌入式GPU通过调用所述机载目标识别模型的一部分对所述视频信息进行目标识别；通过所述ARM型CPU对目标识别的结果进行汇总和存储。可选地，在所述将预处理后的视频信息分配给所述至少三个嵌入式GPU之后，在所述每一个所述嵌入式GPU通过调用所述机载目标识别模型对所述视频信息进行目标识别之前，进一步包括：将识别候选框的比例调整到目标大小；通过所述识别候选框选定所述视频信息中的目标；所述调用所述机载目标识别模型的一部分对所述视频信息进行目标识别，包括：调用所述机载目标识别模型对选定的所述目标进行目标识别。可选地，所述storm调度策略，包括：通过所述嵌入式ARM型CPU作为Nimbus分配任务给所述至少三个嵌入式GPU并监控状态，还作为Spout将获取到的视频信息流喷发到所述至少三个嵌入式GPU；每一个所述嵌入式GPU作为Supervisor根据需要启动或关闭工作进程，并完成所述Nimbus分配的任务，还作为Bolt利用所述机载目标识别模型对从所述Spout中获取的视频信息流进行处理。本专利技术还提供了一种机载识别设备，包括：交换机一个嵌入式ARM型CPU和至少三个嵌入式GPU，其中，所述交换机，用于构建所述嵌入式ARM型CPU与每一个所述嵌入式GPU之间的连接，并为所述嵌入式ARM型CPU和所述每一个所述嵌入式GPU之间进行信息传输；所述嵌入式ARM型CPU，用于预先设置的storm调度策略，获取外部发送的视频信息，并对所述视频信息进行预处理；按照所述storm调度策略，将预处理后的视频信息和任务分配给所述至少三个嵌入式GPU，对目标识别的结果进行汇总和存储；每一个所述嵌入式GPU，用于加载外部机载目标识别模型构建平台构建的机载目标识别模型，当接收到所述预处理后的视频信息和所述任务时，按照所述任务，通过调用所述机载目标识别模型对所述预处理后的视频信息进行目标识别。可选地，每一个所述嵌入式GPU，进一步用于将识别候选框的比例调整到目标大小，通过所述识别候选框选定所述视频信息中的目标，并调用所述机载目标识别模型对选定的所述目标进行目标识别。可选地，所述storm调度策略，包括：通过所述嵌入式ARM型CPU作为Nimbus分配任务给所述至少三个嵌入式GPU并监控状态，还作为Spout将获取到的视频信息流喷发到所述至少三个嵌入式GPU；每一个所述嵌入式GPU作为Supervisor根据需要启动或关闭工作进程，并完成所述Nimbus分配的任务，还作为Bolt利用所述机载目标识别模型对从所述Spout中获取的视频信息流进行处理。实施本专利技术的，具有以下有益效果：1、本专利技术通过存储服务器获取实测数据和特性数据，并将所述实测数据和所述特性数据存储至对应的分类训练数据集，通过训练服务器将所述分类训练数据集中的每一个样本输入到预先部署的深度学习网络，进行特征训练，当接收到所述生成指令时，为特征训练的结果生成机载目标识别模型；当接收到所述反向传播指令时，将本文档来自技高网...

【技术保护点】
1.一种机载目标识别模型构建平台，其特征在于：包括：存储服务器、训练服务器及识别服务器，其中，所述存储服务器，用于获取实测数据和特性数据，并将所述实测数据和所述特性数据存储至对应的分类训练数据集；所述训练服务器，用于将所述分类训练数据集中的每一个样本输入到预先部署的深度学习网络，进行特征训练，当接收到所述生成指令时，为特征训练的结果生成机载目标识别模型；当接收到所述反向传播指令时，将特征训练的结果反向输入到所述深度学习网络，进行特征训练；所述识别服务器，用于对特征训练的结果进行识别测试，并针对识别测试结果，统计识别率，当所述识别率不小于预设的识别基准值时，发送模型生成指令给所述训练服务器，否则，发送反向传播指令给所述训练服务器。

【技术特征摘要】
1.一种机载目标识别模型构建平台，其特征在于：包括：存储服务器、训练服务器及识别服务器，其中，所述存储服务器，用于获取实测数据和特性数据，并将所述实测数据和所述特性数据存储至对应的分类训练数据集；所述训练服务器，用于将所述分类训练数据集中的每一个样本输入到预先部署的深度学习网络，进行特征训练，当接收到所述生成指令时，为特征训练的结果生成机载目标识别模型；当接收到所述反向传播指令时，将特征训练的结果反向输入到所述深度学习网络，进行特征训练；所述识别服务器，用于对特征训练的结果进行识别测试，并针对识别测试结果，统计识别率，当所述识别率不小于预设的识别基准值时，发送模型生成指令给所述训练服务器，否则，发送反向传播指令给所述训练服务器。2.根据权利要求1所述的机载目标识别模型构建平台，其特征在于：所述深度学习网络，包括：多尺度目标检测网络；所述训练服务器，进一步用于部署不同尺寸的卷积模型，针对每一个所述分类训练数据集，利用不同尺寸的所述卷积模型对每一个样本进行特征提取，将提取到的所述训练数据集中所有样本的特征输入到所述多尺度目标检测网络，进行特征训练，以确定所述训练数据集对应的初级目标识别模型，当接收到所述生成指令时，确定所述初级目标识别模型为机载目标识别模型；当接收到所述反向传播指令时，将所述初级目标识别模型及偏差通过反向传播的方式输入到所述多尺度目标检测网络，进行特征训练；所述识别服务器，进一步用于当所述识别率小于预设的识别基准值时，计算初级目标识别模型的识别测试结果与预设的期望结果之间的偏差，并发送所述偏差及反向传播指令给所述训练服务器。3.根据权利要求1所述的机载目标识别模型构建平台，其特征在于：所述识别率，包括：识别查全率和识别查准率；所述识别服务器，用于利用下述识别查全率计算公式和识别查准率计算公式，分别统计识别查全率和识别查准率，当所述计识别查全率不小于80％，且所述识别查准率不小于85％时，发送模型生成指令给所述训练服务器，否则，发送反向传播指令给所述训练服务器；识别查全率计算公式：R＝TP/(TP+FN)识别查准率计算公式：P＝TP/(TP+FP)其中，R表征识别查全率；P表征识别查准率；TP表征针对识别测试结果来说，预测识别测试结果为正，实际识别测试结果为正的个数；TN表征针对识别测试结果来说，预测识别测试结果为负，实际识别测试结果为负的个数；FP表征针对识别测试结果来说，预测识别测试结果为正，实际识别测试结果为负的个数；FN表征针对识别测试结果来说，预测识别测试结果为负，实际识别测试结果为正的个数。4.根据权利要求2所述的机载目标识别模型构建平台，其特征在于：所述训练服务器，用于根据下述偏差计算公式，计算初级目标识别模型的识别测试结果与预设的期望结果之间的偏差；偏差计算公式：Y＝FP+FN其中，Y表征偏差；FP表征针对识别测试结果来说，预测识别测试结果为正的个数，实际识别测试结果为负；FN表征针对识别测试结果来说，预测识别测试结果为负，实际识别测试结果为正的个数。5.一种机载目标识别方法，其特征在于：利用上述权利要求1至4任一所述的外部机载目标识别模型构建平台构建机载...

【专利技术属性】
技术研发人员：翟佳，贾雨生，王衍祺，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：北京,11