【技术实现步骤摘要】
申请涉及目标检测，特别涉及一种无人机图像目标检测方法、装置、介质及设备。
技术介绍
1、近年来，计算机视觉在海洋和淡水领域的应用发展迅速。为了在交通繁忙或靠近海岸的情况下进行精确导航，计算机视觉变得越来越重要。macvi 2023研讨会旨在促进现代计算机视觉方法在各种空气和地表水领域的应用。seadronessee目标检测旨在检测开放水域中的人类、船只和其他物体。虽然在目标检测方面已经取得了很大的进展，但是之前的模型大多是针对自然场景图像设计的，对于大中型目标的检测效果很好。在海上无人机捕获场景中，直接使用它们来探测物体可能并不合适。由于人数众多针对数据集中海面上的小物体和混乱的波浪，研究了海上目标检测的任务搜救问题远未解决。例如，seadronessee目标检测轨道的最佳模型目前只能实现36％的map。将其与常见的coco基准进行比较，最佳执行者实现了超过60％的map。
2、随着单级探测器的设计，yolo系列目标检测方法因其精度高、速度快而受到广泛关注。此后，人们不断对其进行改进，并逐渐衍生出后续版本，检测性能稳步提高。yolov7是目前yolo系列中最先进的改进型，其在yolov5的基础上采用了更高效的elan模块，提出了一种辅助头部训练的方法，具有较高的准确率和性能。
3、因此，本专利技术提出一种无人机图像目标检测方法、装置、介质及设备，选择yolov7作为基线模型，同时引入simam注意力模块，提高网络的特征提取能力，构建有利于小目标困难识别的特征融合方法，可以更好地检测海上无人机捕获图像中的目
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种无人机图像目标检测方法、装置、介质及设备，提升了提升无人机图像目标检测的准确率和性能。
2、为解决上述技术问题，本专利技术是采用下述技术方案实现的：
3、一方面，本专利技术提供一种无人机图像目标检测方法，包括：
4、根据获取的无人机拍摄图像数据集，进行图像裁剪，得到裁剪后数据集；
5、对所述裁剪后数据集使用测试时间增强tta进行图像增强处理，得到图像增强数据集；
6、根据所述图像增强数据集，基于预先训练的融合目标检测模型，进行目标检测和多模型融合，得到目标检测分类结果；
7、其中，所述融合目标检测模型包括yolov7目标检测模型和yolov7-sea目标检测模型，所述融合目标检测模型的训练包括：
8、构建初始数据集，并进行图像裁剪和图像增强处理，得到训练数据集；
9、构建yolov7目标检测模型；
10、构建yolov7-sea目标检测模型；
11、使用所述训练数据集分别对yolov7目标检测模型和yolov7-sea目标检测模型进行训练，得到训练好的融合目标检测模型。
12、可选的，所述构建yolov7-sea目标检测模型包括：
13、在yolov7目标检测模型的颈部和头部分别添加一个预测头，并集成simam注意力模块。
14、可选的，所述simam注意力模块包括：
15、使用能量函数来定义神经元t与同一通道中所有其他神经元之间的线性可分性；
16、每个神经元的所述能量函数定义如公式(1)所示:
17、
18、其中，t表示通道中的目标神经元，xi表示通道中的其他神经元，ωt是t线性变换的权重，bt是t线性变换的偏置，i是空间维度上的指标，λ是超参数，m是单个通道上所有神经元的个数。
19、可选的，所述t线性变换的权重ωt定义如公式(2)所示：
20、
21、其中，μt为除t外所有神经元的均值，为除t外所有神经元的方差，
22、所述t线性变换的偏置bt定义如公式(3)所示：
23、
24、其中，μt为除t外所有神经元的均值，为除t外所有神经元的方差，
25、可选的，所述simam注意力模块包括：
26、通过计算每个神经元的所述能量函数的解析解，得到最小能量函数如公式(4)所示：
27、
28、其中，是均值，是方差，
29、可选的，所述基于预先训练的融合目标检测模型，进行目标检测和多模型融合包括：
30、将所述图像增强数据集输入到yolov7目标检测模型中，得到yolov7目标检测结果；
31、将所述图像增强数据集输入到yolov7-sea目标检测模型中，得到yolov7-sea目标检测结果；
32、使用加权边界框融合算法wbf融合所述yolov7目标检测结果和yolov7-sea目标检测结果，得到目标检测分类结果。
33、第二方面，本专利技术提供一种无人机图像目标检测装置，包括：
34、图像处理模块，用于：对获取的无人机拍摄图像数据集依次进行图像裁剪和图像增强处理，得到图像增强数据集；
35、融合目标检测模块，用于：根据所述图像增强数据集，基于预先训练的融合目标检测模型，进行目标检测和多模型融合，得到目标检测分类结果。
36、第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时，实现第一方面中任一所述的无人机图像目标检测方法的步骤。
37、第四方面，本专利技术提供一种计算机装置/设备/系统，包括：
38、存储器，用于存储计算机程序/指令；
39、处理器，用于执行所述计算机程序/指令以实现第一方面中任一项所述的无人机图像目标检测方法的步骤。
40、第五方面，本专利技术提供一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现第一方面中任一项所述的无人机图像目标检测方法的步骤。
41、现有技术相比，本专利技术所达到的有益效果：
42、1.本专利技术提供的无人机图像目标检测方法，引入simam注意力模块，可以提高网络的特征提取能力，构建有利于小目标困难识别的特征融合方法；在yolov7目标检测模型的颈部和头部分别添加一个预测头，整体四个检测头的结构可以使检测更加稳定，减少严重的目标尺度方差带来的负面影响；将yolov7目标检测模型和yolov7-sea目标检测模型的学习能力融合在一起，使最终的结果能够相互补充，提高最终模型的泛化能力；
43、2.本专利技术提供的无人机图像目标检测装置，通过设置图像处理模块和融合目标检测模块，共同实现对无人机图像的目标检测，可以更好地检测海上无人机捕获图像中的目标，提升了无人机图像目标检测的准确率和性能；
44、3.本专利技术提供的计算机可读存储介质、计算机装置/设备/系统和计算机程序产品，可执行本专利技术提供的无人机图像目标检测方法的步骤。
本文档来自技高网...【技术保护点】
1.一种无人机图像目标检测方法，其特征在于，包括：
2.根据权利要求1所述的无人机图像目标检测方法，其特征在于，所述构建YOLOv7-sea目标检测模型包括：
3.根据权利要求2所述的无人机图像目标检测方法，其特征在于，所述SimAM注意力模块包括：
4.根据权利要求3所述的无人机图像目标检测方法，其特征在于，所述t线性变换的权重ωt定义如公式(2)所示：
5.根据权利要求3所述的无人机图像目标检测方法，其特征在于，所述SimAM注意力模块包括：
6.根据权利要求1所述的无人机图像目标检测方法，其特征在于，所述基于预先训练的融合目标检测模型，进行目标检测和多模型融合包括：
7.一种无人机图像目标检测装置，其特征在于，包括：
8.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时，实现权利要求1-6中任一所述的J无人机图像目标检测方法的步骤。
9.一种计算机装置/设备/系统，其特征在于，包括：
10.一种计算机程序产品，包括计算机
...【技术特征摘要】
1.一种无人机图像目标检测方法，其特征在于，包括：
2.根据权利要求1所述的无人机图像目标检测方法，其特征在于，所述构建yolov7-sea目标检测模型包括：
3.根据权利要求2所述的无人机图像目标检测方法，其特征在于，所述simam注意力模块包括：
4.根据权利要求3所述的无人机图像目标检测方法，其特征在于，所述t线性变换的权重ωt定义如公式(2)所示：
5.根据权利要求3所述的无人机图像目标检测方法，其特征在于，所述simam注意力模块包括：
6.根据权利要求1所述的无人机图像目标检测方...
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。