一种基于YOLOv4的无人机场景检测方法技术

本发明专利技术提供一种基于YOLOv4的无人机场景检测方法，包括：S1、建立专有数据集；按照一定比例划分训练集和测试集；S2、建立网络结构；S3、使用预训练模型，并对预训练模型进行特定训练参数设定，得到训练模型；S4、进行迭代训练，直到损失函数收敛，得到无人机场景检测模型；S5、使用测试集对模型进行测试，并且判断是否符合要求，若不符合，继续进行S4步骤，直到测试结果符合要求；S6、输出符合要求的无人机场景检测模型；S7、使用无人机场景检测模型对序列图像进行目标检测。本发明专利技术与现有技术相比，占用内存小，平均交并比改进以后提升了5.26％，精确率比原版提升了3.30％，改进后的召回率提升了1.08％。

【技术实现步骤摘要】
一种基于YOLOv4的无人机场景检测方法
本专利技术涉及无人机领域，特别是涉及一种基于YOLOv4的无人机场景检测方法。
技术介绍
无人机小巧灵活、视角广阔，近几年来在农业植保、灾情检测、安全防护、航拍视频等方面有广泛的应用。各种深度学习方案使目标识别的准确率和速度有极大发展，但目前目标识别的对象大多是平面视角的，无人机图像中的目标尺度多变、尺寸较小、分辨率低，现有的模型无法直接应用在无人机图像目标识别领域。以Faster-RCNN为代表的两阶段目标检测框架需要的硬件资源比较多而且速度较慢，不适合实时性场景。为解决无人机图像中小目标多、像素低、多尺度和无人机硬件平台资源有限、实时性高的难题，本专利技术基于YOLOv4网络改进训练一种基于无人机图像的着陆场景多目标识别模型。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于YOLOv4的无人机场景检测方法，主要解决的问题是：现有的目标识别模型对无人机图像中的尺度多变、尺寸较小、分辨率低的小目标检测效果不好，难以判断无人机所处场景的问题。>为实现上述的目的，本文档来自技高网...

【技术保护点】
1.一种基于YOLOv4的无人机场景检测方法，其特征在于，所述方法包括：/nS1、建立专有数据集；按照一定比例划分训练集和测试集；/nS2、建立网络结构，所述网络结构基于改进的YOLOv4网络，以CSPdarknet53作为主干网络，空间金字塔池化模块和路径聚合网络模块作为颈部，YOLOV3作为头部预测输出；/nS3、首先使用ImageNet大型数据集对S2步骤中得到的网络结构进行训练，得到预训练模型，然后在对网络结构进行特定训练参数设定；/nS4、使用训练集对预训练模型进行迭代训练，直到损失函数收敛，得到无人机场景检测模型；/nS5、使用上述测试集对无人机场景检测模型进行测试，并且判断是否符...

【技术特征摘要】
1.一种基于YOLOv4的无人机场景检测方法，其特征在于，所述方法包括：
S1、建立专有数据集；按照一定比例划分训练集和测试集；
S2、建立网络结构，所述网络结构基于改进的YOLOv4网络，以CSPdarknet53作为主干网络，空间金字塔池化模块和路径聚合网络模块作为颈部，YOLOV3作为头部预测输出；
S3、首先使用ImageNet大型数据集对S2步骤中得到的网络结构进行训练，得到预训练模型，然后在对网络结构进行特定训练参数设定；
S4、使用训练集对预训练模型进行迭代训练，直到损失函数收敛，得到无人机场景检测模型；
S5、使用上述测试集对无人机场景检测模型进行测试，并且判断是否符合要求，若不符合，继续进行S4步骤，继续进行迭代训练直到测试结果符合要求；
S6、输出符合要求的无人机场景检测模型；
S7、使用步骤S6中符合要求的无人机场景检测模型对序列图像进行目标检测，并且识别出无人机所处场景。


2.根据权利要求1所述的一种基于YOLOv4的无人机场景检测方法，其特征在于，在所述步骤S1中，所述建立专有数据集，包括如下步骤：
S1.1、采集基础数据样本，所述基础数据样本，包括：截取自无人机拍摄视频形成的图片，以及截取自网络上航拍数据集中的图片；
所述图片包括：含有汽车、船只、操场、篮球...

【专利技术属性】
技术研发人员：韩玉洁，曹杰，万思钰，刘琨，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32