一种轻量化航空小目标识别方法及系统技术方案

本发明专利技术公开了一种轻量化航空小目标识别方法及系统，应用于计算机视觉和人工智能技术领域。本发明专利技术包括：S1、模型构建步骤：通过预设的无人机获取航拍图像，构建ASOD‑YOLO模型，并对获取的航拍图像进行预处理；S2、模型训练步骤：将S1中预处理后的航拍图像分为训练集、验证集和测试集，通过训练集和验证集对ASOD‑YOLO模型进行训练，通过测试集对ASOD‑YOLO模型进行测试；S3、图像检测模块：将待识别的航拍图像输入至S2中训练和测试后的ASOD‑YOLO模型，得到待识别航拍图像的检测结果。本发明专利技术能够在复杂环境下实现模型的轻量化，同时提供更高的检测精度和性能。

【技术实现步骤摘要】

本专利技术涉及计算机视觉和人工智能领域，更具体的说是涉及一种轻量化航空小目标识别方法及系统。

技术介绍

1、随着深度学习的出现，目标检测领域取得了重大进展，包括无人机、卫星等设备捕获的航空图像目标检测在内的许多下游任务都采用深度学习方法。但航空图像数据集不同于pascal voc、ms coco等数据集，航空图像存在分辨率较高、大量小目标分散的分布在拥挤的对象区域中、光线变化剧烈等问题，这些问题对物体检测的准确性造成了很大影响，故应用于pascal voc、ms coco等传统数据集的目标检测算法对航空小目标检测数据集的检测效果并不理想。

2、无人机遥感图像中的目标检测神经网络方法需要具备对航空图像特征的适应性，以满足飞行后数据处理的需求，并提供高精度和召回率的结果。此外，模型还需要具有较小规模的参数，以在嵌入式硬件环境中实现实时处理。单阶段和两阶段模型是目标检测领域的两种主要方法。两阶段模型的代表是r-cnn系列(包括r-cnn、fast r-cnn、faster r-cnn等)，这类模型的第一阶段是生成一系列可能包含目标的候选区域，第二阶段本文档来自技高网...

【技术保护点】

1.一种轻量化航空小目标识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种轻量化航空小目标识别方法，其特征在于，S1中的ASOD-YOLO模型采用的是一种基于YOLOv8改进的算法，将YOLOv8中的FPN部分替换为Low-GD结构，20×20的检测头替换为160×160的检测头，并改进多尺度跨层连接，引入快速傅里叶卷积模块。

3.根据权利要求2所述的一种轻量化航空小目标识别方法，其特征在于，ASOD-YOLO模型中引入GD机制，并且改进原有的自底向上特征融合机制，通过融合多级特征并将全局信息注入更高级别，实现更有效的信息交换。

4.根...

【技术特征摘要】

1.一种轻量化航空小目标识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种轻量化航空小目标识别方法，其特征在于，s1中的asod-yolo模型采用的是一种基于yolov8改进的算法，将yolov8中的fpn部分替换为low-gd结构，20×20的检测头替换为160×160的检测头，并改进多尺度跨层连接，引入快速傅里叶卷积模块。

3.根据权利要求2所述的一种轻量化航空小目标识别方法，其特征在于，asod-yolo模型中引入gd机制，并且改进原有的自底向上特征融合机制，通过融合多级特征并将全局信息注入更高级别，实现更有效的信息交换。

4.根据权利要求2所述的一种轻量化航空小目标识别方法，其特征在于，low-gd结构具体为低阶收集和分发分支选择主干的b2、b3、b4、b5层特征进行融合，其收集和分发的过程对应于三个模块：特征对齐...

【专利技术属性】
技术研发人员：徐慧英，曹利，朱信忠，李毅，黄晓，谢刚，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：