【技术实现步骤摘要】
本专利技术涉及目标检测，特别是涉及一种无人机航拍图像小目标检测方法、系统及电子设备。
技术介绍
1、近年来，无人机（unmanned aerial vehicle，uav）因其轻便快速的特性，在农业稻穗检测、运动检测、城市巡检等领域应用越来越普遍。但由于远距离拍摄、光照条件多变等因素会导致无人机航拍出现目标尺寸小、尺寸变化大、密集分布以及易被遮挡等问题，从而增加背景的复杂度。且在实际的无人机应用任务中，往往遇到以雾天为主的复杂天气条件，这种情况下，无人机所获取的图像质量受到严重影响，从而导致目标检测性能下降。因此提高复杂天气下无人机航拍过程中对小目标的检测能力成为目标检测领域一个充满挑战的研究方向。
2、传统的无人机检测方法通常采用基于手工特征的目标检测算法。如邵盼愉将方向梯度直方图（histogram of oriented gradients，hog）与支持向量机（support vectormachine，svm）相结合用于无人机的小目标检测，但在实际运用场景中，基于手工特征的传统目标检测算法存在稳定性较低、对检测环境要求较高等问题。当光照环境、姿态以及天气状态发生变化时，其检测精度明显下降。随着深度学习的兴起，采用基于深度学习的目标检测算法用于无人机的检测已经成为研究热点。与基于手工特征的目标检测相比，基于深度学习的目标检测具有应用领域更广、设计方便、数据集制作简单等优点。基于深度学习的目标检测方法主要可以分为两类，一类是以fast r-cnn、faster r-cnn等算法为代表的两阶段目标检测算法，此类算
3、针对该问题，众多学者提出了基于深度学习的无人机小目标检测算法。kisantal等人通过多次复制粘贴小目标来增强每个图像，使检测器能增大对小目标的检测权重，从而提升模型对小目标的检测效果。然而数据增强虽在一定程度上提升了对小目标的检测效果，但只是简单地提高了小目标所占的比例，缺乏对语义信息的融合利用。lin等人提出特征金字塔（feature pyramid network，fpn），通过融合浅层特征图信息与深层特征图信息来提高网络表征能力，但是这会增加许多参数，减慢推理速度。liu等人提出路径聚合网络（path aggregation network，pan），在fpn的基础上，通过上采样的方式，更高效的自下向上将浅层信息传递到深层并进行融合，从而加快推理速度，提高对小目标物体检测效果。但是由于不同层级特征图之间存在比较大的信息差异，在融合不同层级时直接采用相加或通道维度拼接方法容易产生冗余信息和噪声信息，进而容易忽略不同层级中的小目标。wen等人将注意力机制（coordinate attention，ca）引入到模块中，加强对于小目标的关注。yang等人则采用查询机制来加速基于特征金字塔的目标检测器的推理速度。综上所述，虽然现有的小目标检测算法在一定程度上提升了检测性能，但仍存在一些不足：1）复杂天气下的小目标定位不准确。复杂天气下的小目标具有较少的特征信息，容易受到像素级的误差影响。2）复杂天气下的小目标类别混淆。复杂天气下的小目标类别与周围环境中其他物体类别相似，易导致混淆和错误分类。3）样本不平衡。复杂天气下的小目标在图像中通常占据比例较少，使算法倾向于更容易识别的大目标。
技术实现思路
1、本专利技术的目的是提供一种无人机航拍图像小目标检测方法、系统及电子设备，提高了复杂天气下无人机航拍图像中小目标的检测精度。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种无人机航拍图像小目标检测方法，包括：
4、获取复杂天气下待识别无人机航拍图像；
5、将所述复杂天气下待识别无人机航拍图像输入至小目标识别网络中，得到所述复杂天气下待识别无人机航拍图像中的小目标的类型；所述类型包括：车和行人；所述小目标识别网络是利用多张训练用复杂天气下无人机航拍图像和对应的小目标的类型对改进yolov5网络进行训练得到的，所述改进yolov5网络是通过注意力机制、加权跨层特征金字塔网络和可变检测头对yolov5网络进行改进得到的。
6、可选地，所述改进yolov5网络包括：骨干网络、颈部网络和检测网络；
7、所述骨干网络用于提取所述复杂天气下待识别无人机航拍图像中的特征，得到多张待融合特征图；
8、所述颈部网络用于对各所述待融合特征图进行融合，得到多张融合后的特征图；
9、所述检测网络用于基于各所述融合后的特征图进行小目标识别。
10、可选地，所述骨干网络包括：5个cbs模块、4个c3模块和1个sppf模块。
11、可选地，所述颈部网络的主干网络采用加权跨层特征金字塔网络和panet的级联。
12、可选地，所述颈部网络包括：2个第一特征提取结构、1个第二特征提取结构和3个第三特征提取结构；
13、所述第一特征提取结构包括：cbs模块、上采样模块、拼接模块和c3模块；所述第二特征提取结构包括：cbs模块、上采样模块、拼接模块和rffeb模块；所述第三特征提取结构包括：cbs模块、拼接模块和rffeb模块；
14、所述rffeb模块包括：5个1×1卷积层、2个3×3卷积层、1个5×5卷积层、1个7×7卷积层、1个扩张率为3的3×3卷积层、1个扩张率为5的3×3卷积层和1个扩张率为7的3×3卷积层。
15、可选地，所述检测网络包括：4个cbs模块和4个可变检测头。
16、一种无人机航拍图像小目标检测系统，包括：
17、图像获取模块，用于获取复杂天气下待识别无人机航拍图像；
18、小目标检测模块，用于将所述复杂天气下待识别无人机航拍图像输入至小目标识别网络中，得到所述复杂天气下待识别无人机航拍图像中的小目标的类型；所述类型包括：车和行人；所述小目标识别网络是利用多张训练用复杂天气下无人机航拍图像和对应的小目标的类型对改进yolov5网络进行训练得到的，所述改进yolov5网络是通过注意力机制、加权跨层特征金字塔网络和可变检测头对yolov5网络进行改进得到的。
19、一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的无人机航拍图像小目标检测方法。
20、可选地，所述存储器为可读存储介质。
21、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
22、本专利技术公开了一种无人机航拍图像小目标本文档来自技高网...
【技术保护点】
1.一种无人机航拍图像小目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的无人机航拍图像小目标检测方法，其特征在于，所述改进YOLOv5网络包括：骨干网络、颈部网络和检测网络；
3.根据权利要求2所述的无人机航拍图像小目标检测方法，其特征在于，所述骨干网络包括：5个CBS模块、4个C3模块和1个SPPF模块。
4.根据权利要求2所述的无人机航拍图像小目标检测方法，其特征在于，所述颈部网络的主干网络采用加权跨层特征金字塔网络和PANet的级联。
5.根据权利要求2所述的无人机航拍图像小目标检测方法，其特征在于，所述颈部网络包括：2个第一特征提取结构、1个第二特征提取结构和3个第三特征提取结构；
6.根据权利要求2所述的无人机航拍图像小目标检测方法，其特征在于，所述检测网络包括：4个CBS模块和4个可变检测头。
7.一种无人机航拍图像小目标检测系统，其特征在于，所述系统包括：
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以
9.根据权利要求8所述的一种电子设备，其特征在于，所述存储器为可读存储介质。
...【技术特征摘要】
1.一种无人机航拍图像小目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的无人机航拍图像小目标检测方法，其特征在于，所述改进yolov5网络包括：骨干网络、颈部网络和检测网络；
3.根据权利要求2所述的无人机航拍图像小目标检测方法，其特征在于，所述骨干网络包括：5个cbs模块、4个c3模块和1个sppf模块。
4.根据权利要求2所述的无人机航拍图像小目标检测方法，其特征在于，所述颈部网络的主干网络采用加权跨层特征金字塔网络和panet的级联。
5.根据权利要求2所述的无人机航拍图像小目标检测方法，其特征在于，所...
【专利技术属性】
技术研发人员：吴国辉，王一同，
申请(专利权)人：江西飞航通信设备有限责任公司，
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。