[发明专利]被动式夜视智能探雷系统及智能探雷方法

权利要求书

1.一种被动式夜视智能探雷系统，其特征在于；包括微光相机(101)、定焦镜头(102)、Cameralink数据传输线(103)、FPGA开发板(104)、显示屏(105)、支撑架(106)、铅蓄电池(107)、仪器装载车(108)；所述定焦镜头(102)与所述微光相机(101)通过F卡口连接，所述微光相机(101)放置于所述支撑架(106)上，所述FPGA开发板(103)通过所述Cameralink数据传输线(103)连接所述微光相机(101)，所述FPGA开发板(103)通过数据线连接所述显示屏(105)，所述铅蓄电池(107)通过为所述微光相机(101)、所述FPGA开发板(104)和所述显示屏(105)供电，所述支撑架(106)、所述FPGA开发板(104)、所述显示屏(105)、所述铅蓄电池(107)放置于所述仪器装载车(108)上；所述微光相机(101)通过定焦镜头(102)采集抛撒地雷(109)的夜视图像，将图像数据通过Cameralink数据传输线(103)向FPGA开发板(104)传输，FPGA开发板(104)对检测到的所述抛撒地雷(109)的疑似目标的夜视图像进行识别，判断是否为所述抛撒地雷(109)，并通过数据处理得到对抛撒地雷(109)进行测距，得到抛撒地雷(109)与微光相机(101)的距离数据，并将检测结果和测距结果显示在所述显示屏(105)。

2.根据权利要求1所述被动式夜视智能探雷系统，其特征在于：利用被动式夜视智能探雷网络模型对所述抛撒地雷(109)的夜视图像进行识别，判断是否有所述抛撒地雷(109)，所述被动式夜视智能探雷网络模型的建构和使用方法的具体实施步骤为：

1)利用所述微光相机(101)拍摄并采集所述抛撒地雷(109)的夜视图像不少于3000张，按照PASCAL VOC 2007格式制作所述抛撒地雷(109)的数据集；

2)运用YOLO v2算法构建被动式夜视智能探雷网络模型，采用DarkNet-19作为基础网络结构，利用在所述步骤1)中生成的所述抛撒地雷(109)的数据集对被动式夜视智能探雷网络模型进行训练，采用损失函数对被动式夜视智能探雷网络模型进行评估，当损失函数的损失值降为0.05时，保存权重模型，其中损失函数公式为：

式中，loss为损失函数值，λ_coord为定位预测误差的权值系数，λ_noobj为分类预测误差的权值系数，S²表示将所述抛撒地雷(109)的夜视图像分成S×S个格子，B表示每个格子中边界框的数目，判断夜视图像中的第i个格子和第j个边界框是否负责所述抛撒地雷(109)；(x_i,y_i)指被动式夜视智能探雷网络模型预测得到的物体边界框的中心坐标，为所述抛撒地雷(109)的实际边界框的中心坐标，(w_i,h_i)为第i个格子的边界框的长度和宽度，为所述抛撒地雷(109)的实际边界框的长度和宽度；判断是否有所述抛撒地雷(109)的中心落在第i个格子中，C_i和为被动式夜视智能探雷网络模型所预测的边界框置信度和实际边界框的置信度；p_i(c)代表被动式夜视智能探雷网络模型预测的类别概率，代表实际类别概率；

3)采用召回率和精确度作为网络模型评估标准，对在所述步骤2)中构建的被动式夜视智能探雷网络模型进行评估，召回率指的是被正确检测出的所述抛撒地雷(109)占验证集中所有所述抛撒地雷(109)的比例，其公式为：

精确度指的是被正确检测出的所述抛撒地雷(109)占检测出的所述抛撒地雷(109)的比例，其公式为：

式中，Recall为召回率；Precision为精确度；TureMines表示目标为所述抛撒地雷(109)，且被正确检测为所述抛撒地雷(109)；TureNMines表示目标不为所述抛撒地雷(109)，且未被误检为所述抛撒地雷(109)；FalseMines表示目标不为所述抛撒地雷(109)，但被误检为所述抛撒地雷(109)；FalseNMines表示目标为所述抛撒地雷(109)，但未被检测为所述抛撒地雷(109)；

4)优化被动式夜视智能探雷网络模型，具体实施步骤为：

a)对被动式夜视智能探雷网络模型进行剪枝，设置阈值，删除权重较低的连接，将稠密网络转换为稀疏网络，重新训练网络模型中剩余稀疏连接的权重，在不断稀疏的网络参数中学习正确的连接，多次迭代后，找到最小数目的连接；

b)运用权值共享和权值精简的方法对被动式夜视智能探雷网络模型进行量化处理；

5)若优化后的被动式夜视智能探雷网络模型达到网络模型评估标准，则保存被动式夜视智能探雷网络模型；若优化后的被动式夜视智能探雷网络模型未达到网络模型评估标准，则进行步骤6)；

6)重复进行步骤4)～步骤5)。