【技术实现步骤摘要】
本专利技术属于飞机舱门检测，尤其涉及一种基于改进轻量化模型的飞机舱门检测方法。
技术介绍
1、自动驾驶登机桥是一种现代化的设备，它通过使用传感器、定位系统、目标检测识别和自动控制技术，可以准确、高效地将登机桥与飞机对接。其中，自动驾驶登机桥与飞机的对接需要的相对位置信息由目标检测算法通过对飞机舱门的目标检测提供。目前主流使用的飞机舱门检测方法大多采用结构复杂、参数量庞大的深度学习模型进行训练，这些模型在嵌入式设备上部署往往会受到计算资源、存储容量等限制。因此，设计一种面向嵌入式设备的轻量化飞机舱门检测模型成为一项迫切的需求。
2、现有的飞机舱门检测方法主要有以下几种：
3、基于r-cnn算法的飞机舱门检测方法针对一张飞机图片建议大量的候选区域，然后分别对这些区域进行目标识别计算，使用svm进行分类，从而检测出舱门所在区域。
4、基于yolo算法的飞机舱门检测方法使用一个单独的cnn网络实现端到端的目标检测，可以快速地对所获得的飞机图像和视频进行识别并且反馈，以供控制系统做出快速响应。
5、目前这些基于深度学习的飞机舱门检测方法通常计算密集，存储空间大，难以在自动驾驶登机桥的嵌入式设备上部署；其次，飞机舱门检测需要高实时性，但现有大模型算法在嵌入式设备上计算延迟较高，无法满足自动驾驶登机桥与飞机对接的实时任务需求。
6、因此，实际的使用中迫切需要一种在嵌入式设备上高效运行的轻量级飞机舱门检测模型，在计算资源缺乏、存储容量受限的情况下还能满足检测任务需求的实时性与准确性。本
7、自动驾驶登机桥是一种现代化的设备，它通过使用传感器、定位系统、目标检测识别和自动控制技术，可以准确、高效地将登机桥与飞机对接。其中，自动驾驶登机桥与飞机的对接需要的相对位置信息由目标检测算法通过对飞机舱门的目标检测提供。目前主流使用的飞机舱门检测方法大多采用结构复杂、参数量庞大的深度学习模型进行训练，这些模型在嵌入式设备上部署往往会受到计算资源、存储容量等限制。因此，设计一种面向嵌入式设备的轻量化飞机舱门检测模型成为一项迫切的需求。
8、现有的目标检测模型通常计算密集，存储空间大，难以在自动驾驶登机桥的嵌入式设备上部署；其次，飞机舱门检测需要高实时性，但现有大模型算法在嵌入式设备上计算延迟较高，无法满足自动驾驶登机桥与飞机对接的实时任务需求。
9、因此，实际的使用中迫切需要一种在嵌入式设备上高效运行的轻量级飞机舱门检测模型，在计算资源缺乏、存储容量受限的情况下还能满足检测任务需求的实时性与准确性。本专利技术旨在提供一种可在嵌入式设备上有效运行的飞机舱门检测解决方案，以满足自动驾驶登机桥与飞机对接的舱门检测任务需求。
10、通过上述分析，现有技术存在的问题及缺陷为：
11、现有的目标检测算法虽然发展迅猛，但是通常计算密集，存储空间大，受限于自动驾驶登机桥的嵌入式设备限制，无法在算力和存储资源缺乏的嵌入式设备上完成算法部署；同时，飞机舱门检测需要高实时性，但现有大模型算法在嵌入式设备上延迟较高，无法满足自动驾驶登机桥与飞机对接的任务需求。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种基于改进轻量化模型的飞机舱门检测方法。
2、本专利技术是这样实现的，一种基于改进轻量化模型的飞机舱门检测方法包括：
3、步骤一，采集包含飞机舱门的飞机图像样本；
4、步骤二，对采集的飞机舱门数据集使用mosaic-4数据增强方法，即采用4张图片，并按照随机裁剪和随机排布的方式进行拼接成一张图片，同时合理地引入一些高斯噪声，增强模型的鲁棒性；
5、步骤三，对收集的完整数据集采用像素亮度变换算法进行预处理，并标注预处理后的图像样本；
6、步骤四，将标注后的图像样本按比例划分为训练集和测试集；
7、步骤五，设计轻量化卷积神经网络模型结构，所述设计的轻量化卷积神经网络模型压缩了模型结构大小；提出的采用深度可分离卷积算子构建颈部网络的特征提取模块在不缩小感受野的情况下提高了模型的计算效率；
8、步骤六，对所设计模型进行稀疏化训练，通过结构化剪枝去掉一些权重较小的通道，并使用保留的通道权重对网络模型进行重构，在不影响模型检测精度的情况下进一步减少模型参数量；
9、步骤七，将重构完成的模型部署到嵌入式设备树莓派中，并将摄像头、树莓派和登机桥上位机进行连接，其中摄像头与树莓派通过mipi总线进行通信，树莓派和登机桥上位机通过usb进行通信。
10、进一步，所述轻量化飞机舱门检测模型的结构包括：
11、(1)采用轻量化的卷积神经网络mobilenet构建骨干网络，以降低模型的参数量和计算复杂度；
12、(2)采用深度可分离卷积算子构建颈部网络的特征提取模块，以提高模型的计算效率；
13、(3)采用先深度卷积，后逐点卷积的方式构建颈部网络的特征融合模块，以提高模型的表达能力；
14、(4)采用1*1小卷积核构建检测输出头，实现飞机舱门的分类、定位和类别置信度。
15、进一步，所述稀疏化训练方法的包括：
16、1)在模型的bn层引入稀疏化因子，按照稀疏化因子决定结构化剪枝中裁剪去掉的通道比例；
17、2)对原始模型进行训练，将得到的通道权重按大小进行排序，按照稀疏化因子对权重较小的通道进行结构化剪枝；
18、3)使用保留的通道权重对网络模型进行重构，从而通过减少网络模型的通道数来进一步减少模型参数量。
19、本专利技术的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于改进轻量化模型的飞机舱门检测方法的步骤。
20、本专利技术的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于改进轻量化模型的飞机舱门检测方法的步骤。
21、本专利技术的另一目的在于提供一种信息数据处理终端，，所述信息数据处理终端用于实现所述基于改进轻量化模型的飞机舱门检测方法。
22、本专利技术的另一目的在于提供一种用于飞机舱门检测的系统，包括：
23、数据采集模块，用于采集包含飞机舱门的飞机图像样本；
24、数据增强模块，采用mosaic-4方法，对采集的图像样本进行增强，通过将四张图像随机裁剪和拼接，同时引入高斯噪声，以增强模型的鲁棒性；
25、数据预处理模块，应用像素亮度变换算法对完整数据集进行预处理，并对预处理后的图像样本进行标注；
26、数据集划分模块，将标注后的图像样本按比例划分为训练集和测试集。
27、进一步包括：...
【技术保护点】
1.一种基于改进轻量化模型的飞机舱门检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于改进轻量化模型的飞机舱门检测方法，其特征在于，所述轻量化飞机舱门检测模型的结构包括：
3.如权利要求1所述基于改进轻量化模型的飞机舱门检测方法，其特征在于，所述稀疏化训练方法的包括：
4.一种基于权利要求1至3任一项权利要求所述方法的用于飞机舱门检测的系统，其特征在于，包括：
5.如权利要求1所述的飞机舱门检测系统，其特征在于，进一步包括：
6.如权利要求1所述的飞机舱门检测系统，其特征在于，所述轻量化卷积神经网络模型结构包括：
7.如权利要求1所述的飞机舱门检测系统，其特征在于，进一步包括：
8.如权利要求1所述的飞机舱门检测系统，其特征在于，进一步包括：
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-3任意一项所述基于改进轻量化模型的飞机舱门检测方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处
...【技术特征摘要】
1.一种基于改进轻量化模型的飞机舱门检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于改进轻量化模型的飞机舱门检测方法，其特征在于，所述轻量化飞机舱门检测模型的结构包括：
3.如权利要求1所述基于改进轻量化模型的飞机舱门检测方法，其特征在于，所述稀疏化训练方法的包括：
4.一种基于权利要求1至3任一项权利要求所述方法的用于飞机舱门检测的系统，其特征在于，包括：
5.如权利要求1所述的飞机舱门检测系统，其特征在于，进一步包括：
6.如权利要求1所述的飞机舱门检测系...
【专利技术属性】
技术研发人员：蔡梓洋，张成，黄磊，叶润，丁卓越，尹雪松，余泰霆，蒋维琛，陈炳梁，黄川俊，
申请(专利权)人：电子科技大学长三角研究院湖州，
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。