[发明专利]一种基于NPU板卡的浮标识别定位方法及其船载装置

说明书

本发明提供了一种基于NPU板卡的浮标识别定位方法及其船载装置，包括如下步骤：将浮标通过缆绳绑在船上，往海里拉拽，通过N组相机对准浮标拍摄，获取多维度多样化浮标图像样本；开启NPU板卡电源，导入卷积神经网络的模型参数；开启摄像机输出视频流，视频流传递到NPU板卡中；检测控制程序获取视频流以后，从视频流解析出图片，调用基于卷积神经网络的目标检测模型，识别浮标种类和在图像中的像素位置；将目标识别结果列表封装成数据包，并发送给识别结果客户端。本发明提供的基于NPU板卡的浮标识别定位方法及其船载装置，解决了在船只上无法对浮标进行精确实时自动识别定位的技术问题，使得船只能够快速检测并及时避开浮标。

技术领域

本发明涉及海洋监测和人工智能技术领域，尤其涉及一种基于NPU板卡的浮标识别定位方法及其船载装置。

背景技术

浮标识别和定位，也称为浮标目标检测，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，浮标目标检测要解决的问题就是物体在哪里以及是什么的整个流程问题。然而，这个问题并不容易解决，因为物体的尺寸变化范围很大，摆放物体的角度和姿态不定，而且可以出现在图片的任何地方，此外，物体可能还是多个类别。目前学术和工业界出现的浮标目标检测算法分成3类：

1)、传统的目标检测算法：级联Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化。其主要问题：基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；手工设计的特征对于多样性的变化没有很好的鲁棒性；

2)、候选区域/框Region Proposal +深度学习分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案，如：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN等系列方法。R-CNN方法有效地改善了传统方法的两个问题；卷积神经网络CNN方法，替代手工特征，提升了算法的鲁棒性。Faster R-CNN的方法是第二类方法中最主流的目标检测方法，但是速度上并不能满足实时的要求，而且需要训练多个神经网络模型；

3)、基于深度学习的回归方法：YOLO/SSD/DenseBox/MobileNet-SSD方法。为了继续改善第二类方法实时性不足和多模型问题，第三类方法使用了回归的思想，利用整张图作为网络的输入，直接在图像的多个位置上回归出这个位置的目标边框，以及目标所属的类别。

综合考虑以上3类浮标检测方法，其中MobileNet-SSD模型结构这类方法在实时性和准确率上具有较好的平衡，既能满足快速检测的实时性需求，也具有较高的准确率。在浮标检测模块的硬件布置方案方面，一般将检测模块布置在计算机服务器上，计算机服务器具有较高的性能，但服务器体积大、功耗大、抗震性能不足，如果作为船载装置布置在船舶上，装置的机械稳定性和持续稳定工作的能力存在较大的问题。基于神经网络处理器NPU（Neural Processing Unit）的板卡有别于传统基于CPU的服务器和基于GPU的板卡，NPU能耗比远超CPU和GPU，在同样能耗下，NPU可以提供更强的神经网络计算能力。

发明内容

本发明的目的在于提供一种基于NPU板卡的浮标识别定位方法及其船载装置，解决了以往在船只上采用雷达等传感器装置无法对浮标进行精确实时自动识别定位的技术问题，使得船只能够快速检测并及时避开浮标。

一种基于NPU板卡的浮标识别定位方法，包括如下步骤：

步骤S1：将浮标通过缆绳绑在船上，往海里拉拽，直到看不见岸，在船上通过N组相机对准浮标拍摄，获取多维度多样化浮标图像样本，训练卷积神经网络模型；开启NPU板卡电源，启动浮标检测控制程序，导入卷积神经网络的模型参数；

步骤S2：开启摄像机输出视频流，将视频流传递到NPU板卡中，对浮标样本数据进行识别；