一种基于改进FCOS的道路边坡落石检测方法技术

本发明专利技术涉及一种基于改进FCOS的道路边坡落石检测方法，具体包括如下步骤：步骤一：对FCOS算法进行改进，引入轻量级主干网络替换原特征提取网络轻量化网络模型，减少网络参数，训练网络模型得到网络模型权重文件；步骤二：利用PTQ量化方法将模型量化为计算精度int8类型的边缘端模型并部署到地平线RDK X3 Module模块。本发明专利技术使用轻量级主干网络作为特征提取网络，减少了网络参数，使得模型可以在边缘设备部署，将模型量化部署到地平线RDK X3 Module模块运行，实现了对道路边坡落石准确和实时检测，将识别到落石结果的数据帧上传到服务器，降低了网络的地质量和无效数据的传输量，降低了服务器的压力。

【技术实现步骤摘要】

本专利技术属于道路边坡落实检测，具体地，涉及一种基于改进fcos的道路边坡落石检测方法。

技术介绍

1、我国地形复杂多样，一些公路或铁路不可避免地建在山坡旁边，这些坡地受到雨水和地震等因素影响，可能发生滑坡和落石等地质灾害，导致交通阻塞甚至对车辆和行人造成危害。因此，对道路边坡落石情况进行实时监测具有重要的实际意义。

2、目前，主流的目标检测识别算法通常依赖于云服务器进行模型推理和预测。然而，这种做法受限于通信链路带宽，可能导致目标检测和识别过程中的高延迟和实时性不足，无法对突发的道路入侵地质灾害做出快速反应。随着网络数据量的持续增长，大量低质量或无效数据可能超出网络和服务器的处理能力。

3、随着技术的进步，嵌入式微处理器的性能得到了显著提升，使得边缘计算的研究和应用成为解决上述问题的热点。边缘计算能够在数据源附近进行处理，减少数据传输的延迟，提高实时性。

4、在现有技术中心也存在以下技术方案解决上述问题：1.通过使用oppo a5手机和补光器在山区采集岩石样本，训练深度学习模型以实现对落石的实时检测，最终，研究将训练好本文档来自技高网...

【技术保护点】

1.一种基于改进FCOS的道路边坡落石检测方法，其特征在于：具体包括如下步骤：

2.根据权利要求1所述的一种基于改进FCOS的道路边坡落石检测方法，其特征在于：在所述步骤一中改进后FCOS网络架构，将FCOS网络模型的主干特征提取网络Resnet50使用轻量级骨干网络EfficientNet-B0进行替换，轻量化网络模型结构，减少网络参数。

3.根据权利要求2所述的一种基于改进FCOS的道路边坡落石检测方法，其特征在于：所述改进FCOS网络架构训练过程中，设置最大迭代次数为200，batch_size设置为8，初始学习率为0.001，分类损失采用的是focal_l...

【技术特征摘要】

1.一种基于改进fcos的道路边坡落石检测方法，其特征在于：具体包括如下步骤：

2.根据权利要求1所述的一种基于改进fcos的道路边坡落石检测方法，其特征在于：在所述步骤一中改进后fcos网络架构，将fcos网络模型的主干特征提取网络resnet50使用轻量级骨干网络efficientnet-b0进行替换，轻量化网络模型结构，减少网络参数。

3.根据权利要求2所述的一种基于改进fcos的道路边坡落石检测方法，其特征在于：所述改进fcos网络架构训练过程中，设置最大迭代次数为200，batch_size设置为8，初始学习率为0.001，分类损失采用的是focal_loss，定位损失采用giou_loss，中心损失采用二值交叉熵损失，优化器选择sgd，自适应调整学习率，每1个epoch保存一次权值，模型在训练时以验证集为评估对象，每1个epoch评估一次，训练改进fcos模型得到计算精度为float32的pytorch权重文件fcos_512512.pth。

4.根据权利要求1所述的一种基于改进fcos的道路边坡落石检测方法，其特征在于：在所述步骤二中使地平线提供的ptq训练后量化方法，将pytorch格式的权重文件fcos_512512.pth导出为onnx格式opset_version=11的权重文件fcos_512512.onnx,利用地平线hb_mapper checker工具进行模型验证，确保其符合地平线处理器的支持约束,准备校准阶段50份标定样本图像输入，每一份样本都是一个独立的数据文件,使用hb_mappermakertbin工具将模型量化为计算精度in...

【专利技术属性】
技术研发人员：陆建阳，单华刚，王伟国，李正华，周其峰，俞文杰，黄涛，章金涛，施范铧，莫晨聪，王启叶楠，孙晓飞，苏莹，王强，朱星，
申请(专利权)人：浙江数智交院科技股份有限公司，
类型：发明
国别省市：