[发明专利]一种基于深度学习的无人机载火箭残骸搜寻装置及方法

权利要求书

1.一种基于深度学习的无人机载火箭残骸搜寻装置，其特征在于包括无人机平台、光电吊舱、嵌入式AI自主识别芯片、CPU、导航控制模块、数据链、地面监控端，所述光电吊舱和CPU之间电连接进行数据交互，所述光电吊舱传输数据给所述嵌入式AI自主识别芯片两者之间电连接，所述嵌入式AI自主识别芯片和CPU之间电连接进行数据交互，所述导航控制模块传输数据给所述CPU两者之间电连接，

所述数据链通讯连接所述CPU和所述地面监控端；所述数据链还通讯连接所述嵌入式AI自主识别芯片和所述地面监控端；所述数据链还通讯连接所述导航控制模块和所述地面监控端；

所述无人机平台，用于搭载光电吊舱、嵌入式AI自主识别芯片、CPU、导航控制模块；

所述光电吊舱包括可见光/红外摄像头、云台、激光测距仪，用于实现采集地面视频、目标对准、激光测距；

所述嵌入式AI自主识别芯片，包括嵌入式FPGA开发板和目标检测算法模型软件，用于实时检测视频图像中的火箭残骸目标；

所述CPU用于控制云台对准目标残骸中心，并根据激光测距得到的残骸距离信息、无人机实时位置、姿态信息解算出目标残骸的具体物理坐标；

所述导航控制模块，用于控制无人机的飞行，将无人机的实时位置、姿态、高度信息传给CPU；

所述数据链，将视频图像数据与目标残骸的具体物理坐标信息下传至地面监控端；

所述地面监控端，用于监控无人机的状态，接收无人机传回的火箭残骸信息，对火箭残骸目标识别效果和准确性进行实时评估。

2.根据权利要求1所述的无人机载火箭残骸搜寻装置，其特征在于所述目标检测算法模型软件采用One-Stage目标检测模型YOLOv5，用于火箭残骸目标检测和识别，在火箭残骸检测数据集上进行训练，并将训练好的目标检测模型YOLOv5进行剪枝和压缩操作，得到轻量化的精简模型后植入嵌入式FPGA开发板中。

3.根据权利要求2所述的无人机载火箭残骸搜寻装置，其特征在于所述火箭残骸检测数据集中的图片有两种来源，第一种是通过爬虫在互联网上爬取火箭残骸图片，第二种是用ProGAN从随机噪声中生成的足以以假乱真的火箭残骸图片。

4.根据权利要求3所述的无人机载火箭残骸搜寻装置，其特征在于所述CPU解算出目标残骸的具体物理坐标的方法为三点测距定位法，通过导航控制模块，获取任意时刻飞机自身经纬度和高程，通过坐标转换，求得无人机在大地直角坐标系下的坐标；若无人机对同一目标点进行三次激光测距，根据无人机与目标之间的距离建立方程组，解算方程组，目标残骸的大地坐标被求解出来。

5.根据权利要求1-4任一项所述的无人机载火箭残骸搜寻装置，其特征在于所述地面监控端包括运载车和地面站，所述地面站放置于运载车中，用于监控无人机的状态，接收无人机传回的火箭残骸信息，对火箭残骸目标识别效果和准确性进行实时评估。

6.一种基于深度学习的无人机载火箭残骸搜寻方法，其特征在于包括如下步骤：

S1、首先使用爬虫在互联网上爬取一定规模的残骸图片，筛选收集到的原始图片，删掉不符合条件的非残骸图片，并将筛选后的图片进行主体区域裁剪和统一缩放操作；

S2、在步骤S1的残骸图片上训练ProGAN；

S3、用在步骤S2训练好的ProGAN随机生成大量火箭残骸图片；

S4、将步骤S1收集到的残骸图片和步骤S3生成的残骸图片共同构成大规模的火箭残骸图片集，标注每张图片中火箭残骸的位置，得到火箭残骸目标检测数据集；

S5、在步骤S4构建的残骸检测数据集上训练YOLOv5，所述训练过程需要在大算力的深度学习服务器上进行，得到高精度的残骸检测模型；

S6、将步骤S5中得到的高精度的YOLOv5残骸检测模型植入嵌入式FPGA芯片。

7.根据权利要求6所述的无人机载火箭残骸搜寻方法，其特征在于所述步骤S5中得到高精度的残骸检测模型对其进行剪枝和压缩操作，去掉冗余参数，得到精简模型。

8.根据权利要求7所述的无人机载火箭残骸搜寻方法，其特征在于所述剪枝和压缩操作的具体方法为：对训练好的残骸检测模型进行逐层剪枝，检测模型的每一层中有都大量的卷积核，通过计算权重绝对值的和来衡量卷积核的相对重要性，与该层中其他卷积核相比，权重绝对值和越小表示该卷积核越不重要，设定一个阈值，小于该阈值的卷积核可视为冗余参数；或者根据卷积神经元激活值来修剪冗余神经元，每个卷积核在卷积计算后都会进入激活层，激活值越小表示该神经元对模型的影响越小，设定一个阈值，激活值小于阈值的卷积神经元被视为冗余。