电子信息工程-基于深度学习的SAR图像识别系统设计与实现

基于深度学习的SAR图像识别系统设计与实现

摘  要

本文研究了基于边缘计算与深度学习的合成孔径雷达（SAR）目标识别系统的设计与实现。SAR作为一种高分辨率的主动式微波雷达，能够在全天时、全天候条件下获取地面信息，广泛应用于国防安全、精准农业和交通运输等领域。然而，传统的星载SAR图像处理模式依赖于地面数据处理中心，导致数据传输链路压力大，系统响应时效性差。为解决这一问题，本研究引入边缘计算理念，将图像处理能力从地面延伸到星上移动边缘端，减少数据传输时延，提升系统即时性。针对星上资源受限的环境，本文提出了两种网络轻量化方法。一方面，基于ASIC芯片边缘环境，采用分层通道剪枝策略和知识蒸馏方法，实现了分类精度无损的网络压缩与模型运行，并在比特大陆SE3边缘设备上验证了其有效性。另一方面，基于嵌入式GPU芯片边缘环境，设计了多层次剪枝和改进蒸馏的SAR目标检测网络轻量化方法，通过TensorRT进行模型部署优化，采用单精度浮点和整型计算代替双精度浮点计算，显著提升了模型推理速度，并以NVIDIA Jetson AGX Xavier为硬件平台进行了系统搭建与验证。实验结果表明，轻量化后的模型在保持较高识别精度的同时，显著减少了模型参数量和计算量，适合在资源受限的星上环境中高效推理，为星载SAR图像目标识别系统的即时性提升提供了有效解决方案。

关键词：SAR目标识别系统；深度学习；网络轻量化