【技术实现步骤摘要】
本专利技术涉及一种基于yolo网络轻量化部署的无人机检测方法，属于无人机检测，适用于yolo模型在瑞芯微rk3588等边缘计算平台进行轻量化部署加速，实现高效的目标检测。
技术介绍
1、无人机是一种无需搭载操作人员的航空器，它可以通过遥控或自主飞行控制系统进行操作。无人机在多个领域都有广泛的应用，包括航拍摄影、农业植保、环境监测、电力巡检、快递运输、地理测绘、搜索与救援等，极大地提高了工作效率和安全性，并为人们提供了全新的视角和解决方案。
2、无人机检测的意义在于确保无人机在飞行过程中的安全性，以及实现对其飞行环境和潜在威胁的监控。在民用领域，这有助于预防无人机与其他航空器发生碰撞，保障空中交通的安全和顺畅。在军事领域，无人机检测对于防止敌方无人机的侦察和攻击至关重要，有助于维护国家安全和军事机密。此外，随着无人机技术的不断发展，无人机检测还有助于提升对无人机违规飞行和非法活动的监管能力，保护公共安全和隐私。
3、现有无人机检测的方法主要包括视觉检测方法、雷达检测方法、无线电频谱分析方法。其中，视觉检测方法通过摄像头或红外相机等设备检测无人机，是目前最高效、最常用的方法。视觉检测方法依赖于深度学习的网络模型，对输入图像提取特征、进行推理获取检测结果，其检测速度受限于网络模型的大小和计算平台的性能，每秒能够处理的帧数通常在30帧左右。但是，无人机目标具有高速移动的特性，30帧/秒的处理速度不能满足高速无人机目标检测的需求。
技术实现思路
1、本专利技术的技术解
2、本专利技术的技术解决方案是：
3、一种基于yolo网络轻量化部署的无人机检测方法，该方法的步骤包括：
4、步骤1，获取无人机的图像数据，并对获取的无人机的图像数据进行标注，获得数据集，再对获得的数据集进行划分为训练集、验证集和测试集；
5、步骤2，建立基于yolo网络轻量化部署模型，基于yolo网络轻量化部署模型包括convmodule模块、csplayer模块、spffbottleneck模块，convmodule模块、csplayer模块、spffbottleneck模块中使用ghost卷积操作进行特征提取，然后使用解耦全连接注意力机制将提取的特征进行融合，得到注意力输出特征图；convmodule模块、csplayer模块、spffbottleneck模块均以pytorch作为网络架构；
6、步骤3，使用步骤1中划分的训练集和验证集对步骤2构建的基于yolo网络轻量化部署模型进行训练，得到模型的权重文件，该权重文件后缀为pt；
7、步骤4，使用步骤1中划分的测试集对步骤3中训练后的基于yolo网络轻量化部署模型对测试；
8、步骤5，将步骤3得到的后缀为pt的权重文件先转换为后缀为onnx的权重文件，再将后缀为onnx的权重文件转换为后缀为rknn的权重文件；
9、步骤6，在rk3588等边缘计算平台使用步骤5得到的rknn权重文件，对无人机目标进行多线程加速检测。
10、所述步骤2中，使用ghost卷积操作进行特征提取的方法为：
11、步骤2.1，采用卷积操作对维度为h×w×n的输入特征图进行处理，得到维度为h′×w′×m的内在特征图，满足m<n′；维度为h×w×n的输入特征图在所在层的输出特征图维度为h′×w′×n′；
12、步骤2.2，为保证输出特征图维度一致，对步骤2.1得到的每个内在特征图mapi(i＝1,2,…m)进行线性变换生成相应的新的特征图mapij，并且满足关系式n′＝m×s，j＝1,2,…s，s为线性变换后的新的特征图的个数；
13、所述步骤2中，将提取的特征进行融合的方法为：
14、步骤2.3，计算水平注意力输出特征图amq：
15、
16、其中，pq为全连接层中基于高度的可学习参数，dq为向量d1,d2,…,dq中的元素，向量d1,d2,…,dq通过对全连接层的输入特征图按高度开得到；⊙代表元素级乘法；q为输入特征图的高度尺寸，k为输入特征图的宽度尺寸，d为输入特征图通道数；
17、步骤2.4，根据步骤2.3得到的水平注意力输出特征图amq计算最后的注意力输出特征图am＝{am11,am12,…,…,amqk,amqk}，am中的元素amqk表示为：
18、
19、其中，pk为全连接层中基于宽度的可学习参数；
20、所述步骤3中，训练时使用结构重参数化策略，具体为：
21、在训练时，基于mobilenet-v1块的3×3深度卷积和1×1点卷积建立倒瓶颈形的基础训练结构，在该基础训练结构中加入跳跃连接和批归一化层，同时设计过参数化系数并根据设计的过参数化系数复制3×3深度卷积和1×1点卷积的结构；
22、所述步骤4中，进行测试时，进行重参数化并删除基础训练结构中的跳跃连接和批归一化层，只保留mobilenet-v1块的3×3深度卷积和1×1点卷积建立的倒瓶颈形；
23、所述步骤4中，进行测试后，计算模型平均精度(map50,map50-95)、模型参数量以及模型推理所需要的浮点运算量，以此为依据模型性能是否满足需求，若模型精度不能满足需求则重复步骤3的操作并增加训练轮次；
24、所述步骤6中，进行多线程加速检测的方法为：
25、步骤6.1，创建视频流获取线程，该线程执行在cpu上，从相机或其他视频输入单元获取视频图像信息提交到任务队列；
26、步骤6.2，创建工作线程池，该线程池执行在npu上，该线程池中初始化n个工作线程负责从任务队列中获取任务并进行处理，n个线程并行工作；
27、步骤6.3，创建结果处理线程，该线程执行在cpu上，从工作线程池中的工作线程获取结果，进行可视化展示。
28、有益效果
29、(1)精度与速度的平衡：通过使用ghost卷积和解耦全连接注意力机制改进卷积和注意力机制，本专利技术在保持模型精度的同时，大幅提升了模型的运行速度。这种改进使得目标检测任务在边缘计算平台上能够更快速地完成，满足了无人机检测这种实时性要求较高的应用场景。
30、(2)模型训练的优化：本专利技术采用结构重参数化策略进行模型训练，这种策略有助于模型在训练过程中更好地收敛，提高模型的泛化能力。
31、(3)部署加速与兼容性：在完成模型训练后，本专利技术通过模型到rknn的转换和本文档来自技高网...
【技术保护点】
1.一种基于YOLO网络轻量化部署的无人机检测方法，其特征在于该方法的步骤包括：
2.根据权利要求1所述的一种基于YOLO网络轻量化部署的无人机检测方法，其特征在于：
3.根据权利要求1所述的一种基于YOLO网络轻量化部署的无人机检测方法，其特征在于：
4.根据权利要求1所述的一种基于YOLO网络轻量化部署的无人机检测方法，其特征在于：
5.根据权利要求1所述的一种基于YOLO网络轻量化部署的无人机检测方法，其特征在于：
6.根据权利要求1所述的一种基于YOLO网络轻量化部署的无人机检测方法，其特征在于：
7.根据权利要求1所述的一种基于YOLO网络轻量化部署的无人机检测方法，其特征在于：
【技术特征摘要】
1.一种基于yolo网络轻量化部署的无人机检测方法，其特征在于该方法的步骤包括：
2.根据权利要求1所述的一种基于yolo网络轻量化部署的无人机检测方法，其特征在于：
3.根据权利要求1所述的一种基于yolo网络轻量化部署的无人机检测方法，其特征在于：
4.根据权利要求1所述的一种基于yolo网络...
【专利技术属性】
技术研发人员：潘峰，徐杰磊，李位星，吕英杰，王嘉诚，汪凌志，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。