一种针对无人机端的轻量级目标检测方法技术

本发明专利技术公开了一种针对无人机端的轻量级目标检测方法，首先，采集无人机端航拍图像进行标注得到数据集；其次，以YOLOX

【技术实现步骤摘要】
一种针对无人机端的轻量级目标检测方法


[0001]本专利技术属于目标检测领域，具体涉及一种针对无人机端的轻量级目标检测方法。

技术介绍

[0002]近年来，随着智能制造技术的不断提升，在民用方面，越来越多的无人机应用于城市交通监管、电力巡检、农业保险工作等领域；在军事上，无人机可用于战场的侦察、监视及目标的搜索定位，为作战提供有效信息的同时还能干扰敌方电子设备，从而大大降低伤亡率。无人机具有成本低、灵活性高、操作简单、体积小等优点，可以弥补卫星和载人航空遥感技术的不足，催生了更加多元化的应用场景。无人机影像的智能化分析处理不仅可以快速高效地提取地物信息，还能拓展无人机的场景理解能力。目标检测技术能够自动化识别和定位图像中目标，这种技术可以增强弱人机交互下无人机的感知功能，为其自主探测和飞行提供基础的技术支持。然而无人机由于航拍视场大、背景复杂多样、目标分布不均、尺度变化大且小目标数量多，导致对目标的检测难度加深。因此，快速准确地识别航拍图像是实现无人机融入社会发展的重要研究内容。

技术实现思路

[0003]专利技术目的：本专利技术针对搭载在无人机设备上的嵌入式设备算力低、识别精度低的问题，提供一种针对无人机端的轻量级目标检测方法。
[0004]技术方案：本专利技术提出了一种针对无人机端的轻量级目标检测方法，包括以下步骤：
[0005](1)采集无人机端航拍图像进行标注得到数据集；
[0006](2)以YOLOX
‑
tiny模型为基准，构建CSPBiA
‑
YOLO模型；
[0007](3)通过采集到的数据集对CSPBiA
‑
YOLO模型进行训练；
[0008](4)采用训练完成后CSPBiA
‑
YOLO模型对航拍图像进行检测。
[0009]进一步地，步骤(1)所述数据集包含行人、自行车、汽车、货车、卡车、三轮车、敞篷电动车、公共汽车及其它九个类别。
[0010]进一步地，步骤(2)所述的CSPBiA
‑
YOLO模型包括：
[0011]特征提取网络：依次包括三个卷积层、一个跨阶段连接层、一个卷积层、一个跨阶段连接层、一个卷积层、一个跨阶段连接层、一个卷积层、一个空间金字塔池化层、一个跨阶段连接层；所述卷积层包括深度可分离卷积、批量标准化、SiLU激活函数；所述跨阶段连接层包括两个分支，第一个分支先进行一次卷积层处理，再将其进行两次卷积层的处理再与两次卷积层处理前的结果进行堆叠，得到第一个分支的处理结果；第二个分支只进行一次卷积层的处理就与第一个分支的处理结果进行堆叠再进行一次卷积层的处理得到最终结果；
[0012]特征融合网络：使用加权双向特征金字塔网络，将所述特征提取网络中各个跨阶段连接层之后的特征层依次进行注意力层处理后作为加权双向特征金字塔网络的输入，并
在加权双向特征金字塔网络中每次上采样和下采样的操作后进行一次注意力层的处理，最后得到三个有效特征层；所述注意力层使用的是基于卷积块的注意力模块，沿着通道和空间这两个维度依次推断注意力图，然后将注意力图与输入特征图相乘进行自适应特征优化；
[0013]在得到的三个有效特征层上使用解耦头结构，每个有效特征层都会先输入一个卷积层进行通道调整，再将其分为两个分支，第一个分支进行两次卷积层处理再进行一次卷积处理得到输出结果1，第二个分支进行两次卷积层处理后再分为两个小分支，两个小分支分别进行卷积处理得到输出结果2和输出结果3，将输出结果1、输出结果2和输出结果3在通道维度上进行堆叠处理得到网络的输出。
[0014]进一步地，所述步骤(3)实现过程如下：
[0015]使用随机梯度下降法作为优化器、初始学习率设置为1e
‑
2、最小学习率为1e
‑
4、权值衰减系数为5e
‑
4、学习率的动量设置为0.937、网络共训练300个批次、每次训练的样本数量设置为16、学习率下降的方式为余弦退火。
[0016]有益效果：与现有技术相比，本专利技术的有益效果：本专利技术经过对数据集的训练后能够有效的在无人机端对目标进行识别定位；能够有效的搭载在无人机端的嵌入式设备上达到实时检测；本专利技术对YOLOX
‑
tiny网络进行改进提出了一种CSPBiA
‑
YOLO模型，模型大小相较于原网络更加轻量，并且检测效果相较于原网络更优。
附图说明
[0017]图1为CSPBiA
‑
YOLO模型结构示意图。
具体实施方式
[0018]下面结合附图对本专利技术做进一步详细说明。
[0019]本专利技术为了满足在嵌入式设备上达到实时性与精确度的要求，针对无人机视角图像上目标密集、小目标数量多、目标存在遮挡等特性，本专利技术提供了一种针对无人机端的轻量级目标检测方法，具体包括以下步骤：
[0020]步骤1：采集无人机端航拍图像进行标注得到数据集。
[0021]数据使用对无人机搭载的机载电脑连接海康的摄像头进行图像拍摄，分别在10m及20m两种高度、白天和夜晚两种时段、路口广场等场景共拍摄有11629张图像，其中包括训练集7629张、验证集1000张及测试集3000张，使用LabelImg对图像中目标的类别及位置进行标注，包含行人、自行车、汽车、货车、卡车、三轮车、敞篷电动车、公共汽车及其它共九个类别。
[0022]步骤2：以YOLOX
‑
tiny模型为基准，构建CSPBiA
‑
YOLO模型。
[0023]如图1所示，CSPBiA
‑
YOLO模型包括：
[0024]特征提取网络：依次包括三个卷积层、一个跨阶段连接层、一个卷积层、一个跨阶段连接层、一个卷积层、一个跨阶段连接层、一个卷积层、一个空间金字塔池化层、一个跨阶段连接层。卷积层包括深度可分离卷积、批量标准化、SiLU激活函数。跨阶段连接层包括两个分支，第一个分支先进行一次卷积层处理，再将其进行两次卷积层的处理再与两次卷积层处理前的结果进行堆叠，得到第一个分支的处理结果；第二个分支只进行一次卷积层的
处理就与第一个分支的处理结果进行堆叠再进行一次卷积层的处理得到最终结果。
[0025]特征融合网络：使用加权双向特征金字塔网络，将所述特征提取网络中各个跨阶段连接层之后的特征层依次进行注意力层处理后作为加权双向特征金字塔网络的输入，并在加权双向特征金字塔网络中每次上采样和下采样的操作后进行一次注意力层的处理，最后得到三个有效特征层。注意力层使用的是基于卷积块的注意力模块，沿着通道和空间这两个维度依次推断注意力图，然后将注意力图与输入特征图相乘进行自适应特征优化。
[0026]在得到的三个有效特征层上使用解耦头结构，每个有效特征层都会先输入一个卷积层进行通道调整，再将其分为两个分支，第一个分支进行两次卷积层处理再进行一次卷积处理得到输出结果1，第二个分支进行两次卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对无人机端的轻量级目标检测方法，其特征在于，包括以下步骤：(1)采集无人机端航拍图像进行标注得到数据集；(2)以YOLOX
‑
tiny模型为基准，构建CSPBiA
‑
YOLO模型；(3)通过采集到的数据集对CSPBiA
‑
YOLO模型进行训练；(4)采用训练完成后CSPBiA
‑
YOLO模型对航拍图像进行检测。2.根据权利要求1所述的针对无人机端的轻量级目标检测方法，其特征在于，步骤(1)所述数据集包含行人、自行车、汽车、货车、卡车、三轮车、敞篷电动车、公共汽车及其它九个类别。3.根据权利要求1所述的针对无人机端的轻量级目标检测方法，其特征在于，步骤(2)所述的CSPBiA
‑
YOLO模型包括：特征提取网络：依次包括三个卷积层、一个跨阶段连接层、一个卷积层、一个跨阶段连接层、一个卷积层、一个跨阶段连接层、一个卷积层、一个空间金字塔池化层、一个跨阶段连接层；特征融合网络：使用加权双向特征金字塔网络，将所述特征提取网络中各个跨阶段连接层之后的特征层依次进行注意力层处理后作为加权双向特征金字塔网络的输入，并在加权双向特征金字塔网络中每次上采样和下采样的操作后进行一次注意力层的处理，最后得到三个有效特征层；在得到的三个有效特征层上使用解耦头结构，每个有效特征层都会先输入一个卷积层进行通道调整，再将其分为两个分支，第一个分支进行两次卷积...

【专利技术属性】
技术研发人员：丛玉华，何啸，王志胜，邢长达，朱惠娟，朱娴，李昕露，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：