[发明专利]目标识别导航方法及系统

权利要求书

1.一种目标识别导航方法，其特征在于，包括：

获取样本数据，生成训练样本集、测试集和验证集；

构建并利用所述训练样本集训练目标识别神经网络模型，得到训练完成的目标识别神经网络模型；

利用所述测试集和所述验证集对所述目标识别神经网络模型进行参数验证；

将样本目标图像输入到所述目标识别神经网络模型，得到所述样本目标图像的目标识别结果，所述目标识别结果包括：对应预测框的位置、目标类别、置信度；

结合深度数据和所述目标识别结果给出导航信息；

所述构建所述目标识别神经网络模型的过程还包括：模型剪枝压缩处理，所述模型剪枝压缩处理包括以下一种或多种：稀疏化训练、模型剪枝和模型微调。

2.根据权利要求1所述的一种目标识别导航方法，其特征在于，在Darknet学习框架下基于Yolo算法搭建所述目标识别神经网络模型，包括：24个卷积层和2个全连接层。

3.根据权利要求1所述的一种目标识别导航方法，其特征在于，所述稀疏化训练指：基于评价函数进行权重矩阵稀疏化，具体为：去掉所述权重矩阵中整行或整列为零的值，以降低所述权重矩阵的维度。

4.根据权利要求1所述的一种目标识别导航方法，其特征在于，所述模型剪枝指：从所述目标识别神经网络模型的最后一层卷积层开始，根据预设剪枝规则进行该卷积层的剪枝，然后重新训练所述目标识别神经网络模型，一直循环上述剪枝过程至第一层卷积层；

所述预设剪枝规则为：计算当前卷积层中每个卷积核的权重绝对值之和，当所述权重绝对值之和小于预设裁剪数值时，对该卷积核的权重置零；

每一层的剪枝过程都需要根据剪枝前后目标识别神经网络模型的损失函数值修正所述预设裁剪数值。

5.根据权利要求1所述的一种目标识别导航方法，其特征在于，所述模型微调指：利用所述测试集代替所述训练样本集训练所述目标识别神经网络模型的最后一层卷积层。

6.根据权利要求1至5任一项所述的一种目标识别导航方法，其特征在于，所述构建所述目标识别神经网络模型的过程还包括：定点化处理，指将所述目标识别神经网络模型中浮点数计算方式改为定点数计算方式，具体为：

获取所述目标识别神经网络模型中每一层中所有参数值的小数点分布区间；

采用定点化的方式，将该层中所有参数线性映射到所述分布区间。

7.一种目标识别导航装置，其特征在于，包括：

获取样本数据模块：用于获取样本数据，生成训练样本集、测试集和验证集；

构建并训练目标识别神经网络模型模块：用于构建并利用所述训练样本集训练目标识别神经网络模型，得到训练完成的目标识别神经网络模型；

模型参数验证模块：用于利用所述测试集和所述验证集对所述目标识别神经网络模型进行参数验证；

目标识别模块：用于将样本图片输入到所述目标识别神经网络模型，得到所述样本图片的目标识别结果，所述目标识别结果包括：对应预测框的位置、目标类别、置信度；

获取导航信息模块：用于结合深度数据和所述目标识别结果给出导航信息。