一种面向嵌入式设备的轻量化无人机检测方法技术

本发明专利技术提供了一种面向嵌入式设备的轻量化无人机检测方法，利用已经部署的居民摄像头采集图像，摒弃了上位机，改进yolov5s的模型结构，直接将模型部署到嵌入式设备中，实时检测目标区域是否存有无人机，加强对小尺度无人机的监管。包括如下步骤：Step1：采集无人机图像；Step2：添加飞鸟负样本；Step3：对处理好的数据集进行标注，由于仅对无人机进行检测，故标注时仅标注无人机区域；Step4：设计改进yolov5s的模型结构，所述改进yolov5s的模型结构降低参数量以及提出特征融合机制；Step5：训练模型，得到训练好的模型权重；Step6：应用阶段，将训练好的模型权重加载到网络中，并部署到嵌入式设备中，实时检测视频中的小尺度无人机。实时检测视频中的小尺度无人机。实时检测视频中的小尺度无人机。

【技术实现步骤摘要】
一种面向嵌入式设备的轻量化无人机检测方法


[0001]本专利技术涉及智慧监控
，尤其涉及一种面向嵌入式设备的轻量化无人机检测方法。

技术介绍

[0002]随着深度学习不断发展、人工智能与智慧监控不断融合，监控工作逐渐走向智能一体化，智慧监控主要以人工智能的手段辅助监控，可以自动提取视频中非法目标，并向操作人员进行报警。
[0003]伴随着民用无人机占比逐年递增，由于无人机而导致的安全事故、隐私泄露等问题频发，对无人机的监管迫在眉睫。而市面上现有的目标检测模型参数量一般是庞大的，难以直接部署到计算资源有限的嵌入式设备上。若采用下位机采集图像、上位机处理图像的方式，这样对上位机的计算能力要求较高，不适合部署成检测集群。

技术实现思路

[0004]为了解决
技术介绍
中的技术问题，本专利技术提供了一种面向嵌入式设备的轻量化无人机检测方法，利用已经部署的居民摄像头采集图像，摒弃了上位机，改进yolov5s的模型结构，直接将模型部署到嵌入式设备中，实时检测目标区域是否存有无人机，加强对小尺度无人机的监管。
[0005]为了达到上述目的，本专利技术采用以下技术方案实现：
[0006]一种面向嵌入式设备的轻量化无人机检测方法，所述的方法利用已经部署的居民摄像头采集图像，将训练模型部署到嵌入式设备中，实时检测目标区域是否存有无人机，加强对小尺度无人机的监管。
[0007]包括如下步骤：
[0008]Step1：采集无人机图像；
[0009]Step2：添加飞鸟负样本；为了增强网络对飞鸟和无人机的区分度，向采集的无人机图像中添加飞鸟负样本，将飞鸟从原始图片中分割出来，再放缩到无人机的尺度，随机添加到无人机图像中；
[0010]Step3：对处理好的数据集进行标注，由于仅对无人机进行检测，故标注时仅标注无人机区域；
[0011]Step4：设计改进yolov5s的模型结构，所述改进yolov5s的模型结构降低参数量以及提出特征融合机制；降低参数量使得嵌入式设备可以调用，提出的特征融合机制在不引入新参数的前提下提高轻量化之后的精度；
[0012]Step5：训练模型，得到训练好的模型权重；
[0013]Step6：应用阶段，将训练好的模型权重加载到网络中，并部署到嵌入式设备中，实时检测视频中的小尺度无人机。
[0014]进一步地，所述的Step4中，所述的改进yolov5s的模型结构包括：
[0015]1)考虑到小尺度无人机在图片中占有比例较小，特征不明显，通过移除感受野较小的浅层特征，只使用感受野与目标尺寸接近的深层特征，能够使输出特征中包含较多有效目标特征的同时具有较大的感受野；
[0016]2)通过修改瓶颈层的结构，进一步提高深层特征融合程度；
[0017]3)同时，为了大幅度降低模型的参数量以及计算量，使得绝大多数嵌入式设备均可以调用，通过将第一个卷积的卷积核大小调整为3x3并将所有卷积模块和C3模块的卷积核数目下降，使得模型参数量下降到693K，相比于原始14.1M，下降了20倍左右。
[0018]进一步地，所述的Step4中，为了在不引入新参数的前提下，提出全新的特征融合结构以提高轻量化之后的精度，所提出的特征融合结构包括如下：
[0019]1)首先，考虑到浅层特征中含有丰富的目标细节特征，通过下采样操作并与深层特征融合，有利于增加深层特征中细节特征的含量，有助于网络对小尺度目标进行定位；
[0020]2)然后，考虑到深层特征中含有较为丰富的语义特征，通过上采样与浅层特征融合，有助于增加浅层特征中的语义特征，让网络更加充分的学习目标特征；
[0021]3)最后，通过多次、多层之间使用1)、2)步骤，实现双向特征融合，重复利用已有特征融合生成更加高级的语义，让网络能够兼顾不同尺度的特征信息来定位目标位置。
[0022]与现有技术相比，本专利技术的有益效果是：
[0023]1)本专利技术的一种面向嵌入式设备的轻量化无人机检测方法，利用已经部署的居民摄像头采集图像，摒弃了上位机，直接将训练模型部署到嵌入式设备中，实时检测目标区域是否存有无人机，不要求上位机的计算能力，适合部署成检测集群。
[0024]2)设计改进yolov5s的模型结构，大幅度降低模型的参数量以及计算量，使得绝大多数嵌入式设备均可以调用。
[0025]3)设计改进yolov5s的模型结构，在不引入新参数的前提下，提出全新的特征融合结构以提高轻量化之后的精度，加入之后精度相对原始模型仅降低0.8％。
附图说明
[0026]图1为本专利技术的轻量化结构的模型结构图；
[0027]图2为本专利技术的C3模块结构图；
[0028]图3为本专利技术提出的一种全新的特征融合结构图；
[0029]图4为本专利技术的最终模型图。
具体实施方式
[0030]下面结合附图对本专利技术的具体实施方式作进一步说明：
[0031]本专利技术通过深度学习方法检测禁飞区域是否存有无人机，提高智慧监控的预警能力。
[0032]本专利技术一种面向嵌入式设备的轻量化无人机检测方法，利用已经部署的居民摄像头采集图像，将训练模型部署到嵌入式设备中，实时检测目标区域是否存有无人机，加强对小尺度无人机的监管。
[0033]包括如下步骤：
[0034]Step1：采集无人机图像；
[0035]Step2：添加飞鸟负样本；为了增强网络对飞鸟和无人机的区分度，向采集的无人机图像中添加飞鸟负样本，将飞鸟从原始图片中分割出来，再放缩到无人机的尺度，随机添加到无人机图像中；
[0036]Step3：对处理好的数据集进行标注，由于仅对无人机进行检测，故标注时仅标注无人机区域；
[0037]Step4：设计改进yolov5s的模型结构，所述改进yolov5s的模型结构降低参数量以及提出特征融合机制；降低参数量使得嵌入式设备可以调用，提出的特征融合机制在不引入新参数的前提下提高轻量化之后的精度；
[0038]Step5：训练模型，得到训练好的模型权重；
[0039]Step6：应用阶段，将训练好的模型权重加载到网络中，并部署到嵌入式设备中，实时检测视频中的小尺度无人机。
[0040]进一步地，所述的Step4中，所述的改进yolov5s的模型结构包括：
[0041]1)考虑到小尺度无人机在图片中占有比例较小，特征不明显，通过移除感受野较小浅层特征，只使用感受野与目标尺寸接近的深层特征，能够使输出特征中包含较多有效目标特征的同时具有较大的感受野；
[0042]2)通过修改瓶颈层的结构，进一步提高深层特征融合程度；
[0043]3)同时，为了大幅度降低模型的参数量以及计算量，使得绝大多数嵌入式设备均可以调用，通过将第一个卷积的卷积核大小调整为3x3并将所有卷积模块和C3模块的卷积核数目下降，使得模型参数量下降到693K，相比于原始14.1M，下降了20倍左右。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向嵌入式设备的轻量化无人机检测方法，其特征在于，所述的方法利用已经部署的居民摄像头采集图像，将训练模型部署到嵌入式设备中，实时检测目标区域是否存有无人机，加强对小尺度无人机的监管；包括如下步骤：Step1：采集无人机图像；Step2：添加飞鸟负样本；为了增强网络对飞鸟和无人机的区分度，向采集的无人机图像中添加飞鸟负样本，将飞鸟从原始图片中分割出来，再放缩到无人机的尺度，随机添加到无人机图像中；Step3：对处理好的数据集进行标注，由于仅对无人机进行检测，故标注时仅标注无人机区域；Step4：设计改进yolov5s的模型结构，所述改进yolov5s的模型结构降低参数量以及提出特征融合机制；降低参数量使得嵌入式设备可以调用，提出的特征融合机制在不引入新参数的前提下提高轻量化之后的精度；Step5：训练模型，得到训练好的模型权重；Step6：应用阶段，将训练好的模型权重加载到网络中，并部署到嵌入式设备中，实时检测视频中的小尺度无人机。2.根据权利要求1所述的一种面向嵌入式设备的轻量化无人机检测方法，其特征在于，所述的Step4中，所述的改进yolov5s的模型结构包括：1)考虑到小尺度无人机在图片中占有比例较小，特征不明显...

【专利技术属性】
技术研发人员：储茂祥，束伟，巩荣芬，刘历铭，刘光虎，
申请(专利权)人：辽宁科技大学，
类型：发明
国别省市：