无人平台烟尘雾感知方法、系统、计算机设备及存储介质技术方案

本申请涉及一种无人平台烟尘雾感知方法、系统、计算机设备及存储介质。所述方法包括：对烟尘雾图像进行稀疏标注构建训练数据集，训练烟尘雾识别网络，根据识别结果生成特征激活图像，计算神经元对于烟尘雾和背景特征的激活分布，根据激活分布对训练数据集进行补充标注。定义包括烟尘雾分类损失项和特征激活损失项的损失函数，迭代更新训练数据集对神经网络进行，由无人平台基于训练好的烟尘雾感知模型进行烟尘雾感知。本申请基于分类网络架构，根据神经网络和烟尘雾图像中的背景或烟尘雾特征的响应关系来对样本进行像素标注，对神经网络训练过程进行监督，降低了模型复杂度和标注成本，增强了模型的快速部署的能力。增强了模型的快速部署的能力。增强了模型的快速部署的能力。

【技术实现步骤摘要】
无人平台烟尘雾感知方法、系统、计算机设备及存储介质


[0001]本申请涉及无人平台烟尘雾感知
，特别是涉及一种无人平台烟尘雾感知方法、系统、计算机设备及存储介质。

技术介绍

[0002]无人平台配置的传感器主要包括可见光相机、毫米波雷达和激光雷达，激光雷达由于具备更精确的测量能力和更强的夜间适应能力，因此成为了当前大部分无人平台感知系统的主传感器。但是由于激光雷达发射的激光波长较短，无法穿透环境中的细小颗粒物，因此极易受到烟尘雾的干扰，造成环境感知系统失效，最终影响地面无人平台在烟尘雾工况下正常运行。因此保证无人平台在烟尘雾环境中的稳定运行就需要解决烟尘雾的识别和定位问题，以便为后续的感知规划提供决策依据。
[0003]目前基于图像的烟尘雾感知方案目前主要有烟尘雾识别、烟尘雾分割和烟尘雾目标检测三种，由数据驱动学习如何提取特征与如何拟合目标函数。其中，烟尘雾识别技术是基于分类网络架构，只能判定图片中是否存在烟尘雾，而不能定位出烟尘雾的位置。烟尘雾分割技术则基于语义分割网络进行设计，需要对图片进行逐像素的标注，增加了标注成本，同时模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人平台烟尘雾感知方法，其特征在于，所述方法包括：对预设的烟尘雾图像中的特征像素进行稀疏标注，构建训练数据集；将所述训练数据集输入预先构建的神经网络进行烟尘雾识别，根据烟尘雾识别结果生成特征激活图像；根据所述特征激活图像和对应的烟尘雾图像，得到所述神经网络的神经元对于烟尘雾特征和背景特征的激活分布，根据所述激活分布对所述烟尘雾图像中的特征像素进行补充标注，得到更新的训练数据集；根据预设的损失函数，使用更新的训练数据集对所述神经网络进行迭代训练，得到训练好的烟尘雾感知模型；所述损失函数包括烟尘雾分类损失项和特征激活损失项；由无人平台基于训练好的烟尘雾感知模型进行烟尘雾感知。2.根据权利要求1所述的方法，其特征在于，根据所述特征激活图像和对应的烟尘雾图像，得到所述神经网络的神经元对于烟尘雾特征和背景特征的激活分布的步骤包括：在预设的训练次数中，统计所述神经网络最后一层的神经元的激活分布次数；根据所述激活特征图像和所述烟尘雾图像的对应关系，得到各个神经元对背景特征和烟尘雾特征的响应频率。3.根据权利要求2所述的方法，其特征在于，根据所述激活分布对所述烟尘雾图像中的特征像素进行补充标注，得到更新的训练数据集的步骤包括：获取对背景特征的响应次数最多的K个神经元，将所述烟尘雾图像中对所述K个神经元有正响应的像素点标注为背景像素，得到更新的训练数据集。4.根据权利要求1所述的方法，其特征在于，所述对预设的烟尘雾图像中的特征像素进行稀疏标注的方式包括：将烟尘雾图像中预设数量的背景像素的标签值设置为1，预设数量的烟尘雾特征像素的标签值设置为2。5.根据权利要求4所述的方法，其特征在于，所述损失函数的定义方式包括：（1）为烟尘雾分类损失项，定义为：（2）（3）其中，N为训练数据集中的样本数量，为第i个样本，为第i个样本的类别标签，为神经网络最后一层的全连接权重值，为网络根据样本获得的特征图，GA...

【专利技术属性】
技术研发人员：徐昕，孙毅，呼晓畅，方强，曾宇骏，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：