【技术实现步骤摘要】
一种基于轻量级神经网络的无人机目标检测方法及系统
[0001]本专利技术涉及机器视觉识别领域,具体涉及一种基于轻量级神经网络的无人机目标检测方法及系统。
技术介绍
[0002]近年来,各行各业用电需求不断增加,加速了电力行业的智能化转型升级。其中,巡查的表现是无人机等智能设备的应用。最新数据显示,2020年我国无人机动力巡检市场规模接近30亿元,发展非常喜人。未来随着新基建加速实施,5G网络和人工智能进一步普及,业界对电力巡检无人机的未来相当看好。从电力巡检场景的应用来看,无人机的优势非常明显。无人机作为一个重要的平台,可以集成相机、传感器等各种技术和设备。这些硬件设备不仅可以帮助获取图像和视频信息,还可以进行高速传输、分析和处理,从而成为重要的数据基础。因此,如何有效地处理收集到的数据成为当务之急。
[0003]在电力巡检系统中无人机视频的动态性和复杂性对视频检测技术提出了严峻的挑战。根据传统视频目标检测的原理,将目标的纹理作为特征进行检测。然而,它很容易受到光的影响。另一种是使用梯度计算的无纹理目标检测方法,在复杂的环境和遮挡条件下表现不佳。传统的目标分类算法,如支持向量机和以图像梯度直方图为特征的分类器,识别能力弱,效果不理想,难以应用于复杂多变的交通道路。因此,采用传统的视频检测技术很难实现目标的自动化和精确的信息提取。近年来,基于深度神经网络的目标检测方法在鲁棒性和检测精度方面取得了重大突破。
[0004]公布号为CN113205116A的现有专利技术专利申请文献《输电线路无人机巡检拍摄目标 ...
【技术保护点】
【技术特征摘要】
1.一种基于轻量级神经网络的无人机目标检测方法,其特征在于,所述方法包括:S1、利用无人机进行航拍,以得到航拍视频序列,对所述航拍视频序列进行图像匹配、图像裁剪操作,据以得到航拍图像样张;S2、利用labellmg标定工具对所述航拍图像样张进行数据标定,据以得到图像匹配及尺寸标准化的标准数据集;S3、构建基于MobileNet的轻量级神经网络;S4、输入所述标准数据集至所述基于MobileNet的轻量级神经网络,据以得到当前无人机航拍图像特征;S5、根据所述当前无人机航拍图像特征,将不少于2个分支的特征输出进行多尺度特征融合,以得到融合特征,据以得到无人机融合图像集;S6、利用训练好的YOLOv4模型对所述无人机融合图像集进行目标检测,据以得到检测结果。2.根据权利要求1所述的一种基于轻量级神经网络的无人机目标检测方法,其特征在于,所述步骤S3中,所述基于MobileNet的神经网络包括:设置第一层为3
×
3的卷积层,卷积核的个数是M个,,并将其输出特征输入到下列分支:设置为第一分支的原始ResNet网络、设置为第二分支的基于MobileNet网络改进的基础网络,该网络先由5个的3
×
3深度卷积层和5个1
×
1点卷积层交替连接,深度卷积层的卷积核分别是M、2M、4M、4M、8M,点卷积层的卷积核分别是3M、8M、16M、32M、64M;然后连接由4个卷积核是16M的3
×
3深度卷积层和5个卷积核是256M的1
×
1点卷积层交替连接的卷积块;最后连接一个卷积核是64M的3
×
3深度卷积层,设置为第三分支的傅里叶变换。3.根据权利要求1所述的一种基于轻量级神经网络的无人机目标检测方法,其特征在于,所述步骤S4包括:S41、初始化所述基于MobileNet的轻量级神经网络的参数;S42、定义softmax损失函数;S43、利用所述softmax损失函数训练所述基于MobileNet的轻量级神经网络,据以得到所述当前无人机航拍图像特征。4.根据权利要求3所述的一种基于轻量级神经网络的无人机目标检测方法,其特征在于,所述步骤S41中,所述参数包括:宽度超参数α、分辨率超参数β、卷积核的个数M。5.根据权利要求3所述的一种基于轻量级神经网络的无人机目标检测方法,其特征在于,所述步骤S42中,利用下述逻辑定义所述softmax损失函数:其中,N
p
为样本总数,i为节点号,x
i
为第i个节点的输入,y
i
为第i个节点的输出类别,σ表示所有类别,θ
j
和θ
yi
表示角度参数;其中,...
【专利技术属性】
技术研发人员:赵昌新,王栋,崔艳东,孙飞,王一丁,杨腾腾,张潇,吴立刚,曹闯,陈想,高圣达,吴迪,汪春燕,李杨月,刘传宝,孔伟伟,
申请(专利权)人:国网江苏省电力有限公司徐州供电分公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。