基于微型飞行器的目标检测方法技术

本发明专利技术提供一种基于微型飞行器的目标检测方法，本发明专利技术通过使用深度可分离卷积降低模型的大小，利用多分支结构提高模型的泛化性，本发明专利技术目标检测模型还进一步在前置网络MBDSCNN结构上加入了额外的卷积层，通过设置额外的卷积层的大小逐层递减，使得模型可以在多尺度条件下进行预测。本发明专利技术所建立起的目标检测模型能够将每个额外卷积层的输出合并代替MBDSCNN的全连接层，全连接层后加入非极大值抑制层(NMS)输出检测结果。因此，本发明专利技术相较于现有技术能够准确识别各种尺度下的目标，并准确输出检测结果。

Target detection method based on micro air vehicle

【技术实现步骤摘要】
基于微型飞行器的目标检测方法
本专利技术涉及无人机
，具体而言涉及一种基于微型飞行器的目标检测方法。
技术介绍
无人机系统是航空航天制作业中技术密集型产业，其设计生产过程中集合有多种高新技术系统。军事上，无人机已成为各国武器装备中大的亮点。由于无人机具有运行成本低、无人员伤亡风险、使用方便等特点，其可以广泛应用于反恐防暴、抢险救灾、航测航摄、国土资源管理、环境保护、城市规划与管理、影视、电力部门巡线、海事巡逻、高速公路巡查、林业部门防火、农(林)业部门病虫害监测与防治等领域。无人机在民用领域的使用也逐渐得以推广，越来越多的行业、部门和单位正在用无人机取代传统的劳动工作方式。从无人机发展来看，专业化和大众化两者并不矛盾，当然无人机厂商也正在努力推行新产品及新系统的开发，尽可能的降低对飞手操作技术的要求。消费级无人机最近的一个趋势是越来越小、越来越轻便。其一个主要的趋势就是我们说的“口袋无人机”。在此方面，知名无人机企业大疆已经推出了微型无人机Spark。然而现有的无人机技术仍然存在其局限性：现有的无人机技术，其飞行控制系统较为复杂，需要操作者人为观测或及时根据无人机传感数据调整飞行姿态。这对无人机姿态识别传感设备以及飞手的操作要求均有较高要求。无人机姿态识别的误差在一定程度上限制了无人机对无人机的操控，从而影响无人机大规模的应用。并且，现有无人机上搭载的视觉识别系统，其目标检测算法复杂，需要大量运算资源作为支撑，因此，其目标识别的实时性和准确率均有待提高。<br>
技术实现思路
本专利技术针对现有技术的不足，提供一种。本专利技术具体采用如下技术方案。为实现上述目的，本专利技术还提供一种基于微型飞行器的目标检测方法，其步骤包括：第一步，获取设置在四轴飞行平台上的摄像头所采集的视频数据；第二步，对摄像头所采集的视频数据中的帧画面进行3x3卷积，然后对3x3卷积所输出的卷积结果进行深度可分离卷积，其中，深度可分离卷积包括有三层，第一层深度可分离卷积的卷积步长s和过滤器数量c均小于后两层深度可分离卷积，后两层深度可分离卷积均设置为包括三个分支结构，后两层深度可分离卷积的每个分支结构分别具有相同卷积步长s和相同过滤器数量c；第三步，将深度可分离卷积所获得的数据输入连接过滤器，随后将连接过滤器后所输出的数据分别顺序进行参数不同的第四层和第五层深度可分离卷积后输出至全局平均池化层；第四步，对上述第二步和第三步中3x3卷积所输出的卷积结果、连接过滤器后所输出的数据、第五层深度可分离卷积后输出至全局平均池化层的数据分别各进行一层3x3的额外卷积层计算；第五步，分别将三层3x3的额外卷积层的计算结果与全局平均池化层所获得的池化数据加入非极大值抑制层进行检测，输出检测结果，根据检测结果标识摄像头所采集的视频数据中的目标。可选的，上述任一的基于微型飞行器的目标检测方法，其中，对所述第二步中3x3卷积所输出的卷积结果进行计算的第一层3x3的额外卷积层的大小大于对所述第三步中连接过滤器后所输出的数据进行计算的第二层3x3的额外卷积层的大小，对所述第三步中连接过滤器后所输出的数据进行计算的第二层3x3的额外卷积层的大小大于对所述第三步中第五层深度可分离卷积后输出至全局平均池化层的数据进行计算的第三层3x3的额外卷积层的大小。可选的，上述任一的基于微型飞行器的目标检测方法，其中，所述第二步中，两层具有三个分支结构的深度可分离卷积所对应的卷积步长和过滤器数量均大于对摄像头所采集的视频数据中的帧画面进行3x3卷积的卷积步长和过滤器数量。可选的，上述任一的基于微型飞行器的目标检测方法，其中，第五步中，分别将三层3x3的额外卷积层的计算结果与全局平均池化层所获得的池化数据加入非极大值抑制层进行检测的步骤具体包括：分别将三层逐层递减的额外卷积层的计算结果合并代替MBDSCNN的全连接层加入非极大值抑制层(NMS)进行检测，输出检测结果；其中，所述MBDSCNN为非极大值抑制层(NMS)所对应的SingleShotMultiBoxDetector运算的前置网络。同时，提出一种基于微型飞行器的目标检测系统，其所设置的微型飞行器包括：四轴飞行平台，其包括平台主体，所述平台主体的四角分别对称设置有向外延伸的四个连接轴，四个连接轴的远端分别设置有四个空心杯电机，四个空心杯电机的电机轴向上伸出并分别连接有一组螺旋桨，所述空心杯电机驱动各组螺旋桨旋转带动所述微型飞行器起飞、降落、飞行或调整空中姿态；所述的目标检测系统，其包括：摄像头，其设置在所述平台主体上，用于采集视频数据；视觉识别单元，其连接所述摄像头，包括Raspberrypi4微型控制单元以及加装在所述Raspberrypi4微型控制单元上的CoralUSB加速棒，用于接收所述摄像头采集的视频数据，并对所述视频数据中的帧画面进行物体检测；其中，所述Raspberrypi4微型控制单元内设置有目标检测模型，所述目标检测模型包括有多分支深度可分离卷积神经网络和SingleShotMultiBoxDetector运算模块；其中的多分支深度可分离卷积神经网络用于首先对摄像头所采集的视频数据中的帧画面进行3x3卷积，然后对3x3卷积所输出的卷积结果进行深度可分离卷积，再将深度可分离卷积所获得的数据输入连接过滤器，随后将连接过滤器后所输出的数据分别顺序进行参数不同的两次深度可分离卷积后输出至全局平均池化层；其中的所述SingleShotMultiBoxDetector运算模块用于对3x3卷积所输出的卷积结果、对连接过滤器后所输出的数据、对两次深度可分离卷积后输出至全局平均池化层的数据分别进行3x3卷积，然后分别将三个3x3卷积结果与全局平均池化层所获得的池化数据加入非极大值抑制层进行检测，输出检测结果，根据检测结果标识摄像头所采集的视频数据中的目标。可选的，上述任一的基于微型飞行器的目标检测系统，其中，所述SingleShotMultiBoxDetector运算模块具体连接MBDSCNN作为前置网络。可选的，上述任一的基于微型飞行器的目标检测系统，其中，所述SingleShotMultiBoxDetector运算模块分别对应于前置网络MBDSCNN中3x3卷积所输出的卷积结果、对应于连接过滤器后所输出的数据、对应于两次深度可分离卷积后输出至全局平均池化层的数据设置有三层3x3的额外卷积层，其中，三层3x3的额外卷积层的大小逐层递减。可选的，上述任一的基于微型飞行器的目标检测系统，其中，所述前置网络MBDSCNN包括1个卷积核3×3的普通卷积，9个深度可分离卷积，1个全局平均池化层和一个全连接层；其中，所述9个深度可分离卷积包括有三个分支结构，每个分支结构分别包括有具有相同卷积步长s和相同过滤器数量c的两层。可选的，上述任一的基于微型飞行器的目标检测系统，其中，所述目标检测模型将三层逐层递减的额外卷积层的输出合并代替MBDSCNN的全连接层，然后将三层逐层本文档来自技高网...

【技术保护点】
1.一种基于微型飞行器的目标检测方法，其特征在于，步骤包括：/n第一步，获取设置在四轴飞行平台上的摄像头所采集的视频数据；/n第二步，对摄像头所采集的视频数据中的帧画面进行3x3卷积，然后对3x3卷积所输出的卷积结果进行深度可分离卷积，其中，深度可分离卷积包括有三层，第一层深度可分离卷积的卷积步长s和过滤器数量c均小于后两层深度可分离卷积，后两层深度可分离卷积均设置为包括三个分支结构，后两层深度可分离卷积的每个分支结构分别具有相同卷积步长s和相同过滤器数量c；/n第三步，将深度可分离卷积所获得的数据连接过滤器，随后将连接过滤器后所输出的数据分别顺序进行参数不同的第四层和第五层深度可分离卷积后输出至全局平均池化层；/n第四步，对上述第二步和第三步中3x3卷积所输出的卷积结果、连接过滤器后所输出的数据、第五层深度可分离卷积后输出至全局平均池化层的数据分别各进行一层3x3的额外卷积层计算；/n第五步，分别将三层3x3的额外卷积层的计算结果与全局平均池化层所获得的池化数据加入非极大值抑制层进行检测，输出检测结果，根据检测结果标识摄像头所采集的视频数据中的目标。/n

【技术特征摘要】
1.一种基于微型飞行器的目标检测方法，其特征在于，步骤包括：
第一步，获取设置在四轴飞行平台上的摄像头所采集的视频数据；
第二步，对摄像头所采集的视频数据中的帧画面进行3x3卷积，然后对3x3卷积所输出的卷积结果进行深度可分离卷积，其中，深度可分离卷积包括有三层，第一层深度可分离卷积的卷积步长s和过滤器数量c均小于后两层深度可分离卷积，后两层深度可分离卷积均设置为包括三个分支结构，后两层深度可分离卷积的每个分支结构分别具有相同卷积步长s和相同过滤器数量c；
第三步，将深度可分离卷积所获得的数据连接过滤器，随后将连接过滤器后所输出的数据分别顺序进行参数不同的第四层和第五层深度可分离卷积后输出至全局平均池化层；
第四步，对上述第二步和第三步中3x3卷积所输出的卷积结果、连接过滤器后所输出的数据、第五层深度可分离卷积后输出至全局平均池化层的数据分别各进行一层3x3的额外卷积层计算；
第五步，分别将三层3x3的额外卷积层的计算结果与全局平均池化层所获得的池化数据加入非极大值抑制层进行检测，输出检测结果，根据检测结果标识摄像头所采集的视频数据中的目标。


2.如权利要求1所述的基于微型飞行器的目标检测方法，其特征...

【专利技术属性】
技术研发人员：杨建伟，姚德臣，刘恒畅，张骄，武向鹏，寇子明，国树东，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：北京;11