基于改进YOLOv7的无人机航拍目标检测方法技术

本发明专利技术涉及深度学习与目标检测领域，公开了一种基于改进YOLOv7的无人机航拍目标检测方法，包括：获取Vi sDrone数据集，并划分为训练集、验证集和测试集；改进使用了Si LU激活函数的YOLOv7模型的t i ny版本，改进方法包括增加小目标检测层、使用Bi FPN结构、更换C I oU为WI oU、添加基于注意力机制的DyHead；对图片进行预处理，并输入改进的YOLOv7模型进行训练；利用训练得到的权重文件检测图片，验证模型的实际检测效果。本发明专利技术在保证无人机航拍目标检测检测速度的同时，显著提高了检测精度。显著提高了检测精度。

【技术实现步骤摘要】
基于改进YOLOv7的无人机航拍目标检测方法

：
[0001]本专利技术属于深度学习和目标检测领域，具体是一种基于改进YOLOv7的无人机航拍目标检测方法，可用于无人机对于地面目标的识别场合。

技术介绍
：
[0002]无人机是一种应用范围极其广泛的航空设备，具有外型小巧，动作灵活，飞行成本低的特点，在动植物保护、城市交通管理、农业监测以及军事安防等多领域发挥着不可替代的作用。对无人机采集到的航拍图像进行准确有效的目标识别，提升无人机的智能化水平，有利于实现各种无人机自动化操作，诸如目标自动跟踪、飞行路径规划等。因此，研究无人机航拍目标检测算法具有重要的现实意义。
[0003]与自然场景相比，无人机航拍图像具有以下特点：(1)背景复杂。得益于无人机的飞机高度，无人机航拍图像包含丰富的物体特征，容易造成相似目标的干扰，也会有物体相互遮挡的问题出现。(2)小目标占比高。由于“近大远小”的现象，导致相同物体在无人机图像中占据的像素大小不一，同时小目标的比例较高，容易造成漏检或者误检。(3)目标尺度变化大。无人机在飞行过程中，高度不断变化，目标尺度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进YOLOv7的无人机航拍目标检测方法，其特征在于，包括以下步骤：(1)将无人机航拍数据集VisDrone划分为训练集、验证集和测试集，划分比例为8：1：1，划分采用随机形式；(2)对YOLOv7模型进行改进，YOLOv7模型可以分为Backbone、Neck和Head三个部分，针对Neck和Head两个部分进行优化；(3)对训练集图片数据进行预处理，将预处理之后的图片输入特征提取网络，提取不同尺度的特征图；(4)利用(3)得到的各个尺度的特征图训练改进的YOLOv7模型，训练过程中用精确率Precision，召回率Recall以及均值平均精度mAP作为评价模型性能的指标，并用验证集数据监测模型是否过拟合，直至损失曲线收敛；(5)将测试集数据输入训练得到的改进YOLOv7模型权重文件，获得无人机航拍图像目标的实际识别结果。2.根据权利要求1所述的基于改进YOLOv7的无人机航拍目标检测方法，其特征在于，步骤(2)具体方法是：选择以SiLU为激活函数的YOLOv7
‑
tiny模型作为基础进行改进；增加小目标检测层：特征图经过YOLOv7
‑
tiny网络的Backbone提取，分辨率不断降低，大量的小目标特征及位置信息在这个过程逐渐丢失，原始YOLOv7
‑
tiny网络将三个不同尺度的特征图引入Neck部分进行融合，并在Head部分形成三个预测头；将一个分辨率160*160的特征图也引入网络，进行特征融合，并构成第四个应对小目标的预测头；使用BiFPN结构：YOLOv7
‑
tiny采用PANet的方式进行特征融合，Neck层的BiFPN结构对输入的特征进行上采样并与...

【专利技术属性】
技术研发人员：张育中，张正涛，葛文豪，舒双宝，张腾达，郎贤礼，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：