【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，第二阶段则对这些候选区域进行分类和边界框的精细调整。you only look once(yolo)是一种单阶段目标检测算法，相比于两阶段模型，yolo低延迟、易于训练和部署、整体性思考的特点，让其成为无人机系统中的主导算法。该算法以图像作为输入，在单个阶段输出对象的信息，其轻量级模型使得在无人机系统中实现实时目标检测成为可能。
3、近年来，学者们在航空小目标检测领域做了大
4、为提高航空小目标检测的精度、减少特征信息损失，提出一个适用于航空小目标检测数据集的高性能模型成为亟待解决的重要问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种轻量化航空小目标识别方法及系统，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。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种轻量化航空小目标识别方法，包括以下步骤：
4、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；
5、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；
6、s3、图像检测步骤：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。
7、上述的方法，可选的，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。
8、上述的方法，可选的，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。
9、上述的方法，可选的，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：特征对齐模块fam、信息融合模块ifm和信息注入模块inject。
10、上述的方法，可选的，low-gd结构还包括：
11、在low-fam中，采用avgpool操作来对输入特征进行下采样并实现统一的大小，将其他特征调整为与b4特征相同大小得到falign；low-ifm包括多层重参数化卷积块和分割操作。
12、上述的方法，可选的，快速傅里叶卷积模块将通道分为两个并行分支，局部分支使用标准卷积来提取局部信息，而全局分支使用傅里叶单元来获得全局上下文，最终将经过变换的局部和分支全局分支融合在一起。
13、上述的方法，可选的，还包括对s2中训练和测试后的asod-yolo模型通过评价指标进行评价，评价指标包括平均精度、浮点运算量和参数量。
14、一种轻量化航空小目标识别系统，执行上述任一项的一种轻量化航空小目标识别方法，包括依次连接的模型构建模块、模型训练模块、图像检测模块；其中，
15、模型构建模块，用于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；
16、模型训练模块，用于将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；
17、图像检测模块，用于将待识别的航拍图像输入至训练和测试后的asod-yolo模型，得到待识别航拍图像的检测结果。
18、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种轻量化航空小目标识别方法及系统，具有以下有益效果：
19、(1)引入gatherand-distribute(gd)机制，并且改进了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，实现了更有效的信息交换，增强了多尺度特征融合能力，提高模型在不同尺寸物体上的检测性能；
20、(2)针对航空图片目标普遍较小、包含很少像素的微小物体特征可能被忽略的问题，将原有的20×20的大目标检测头替换为160×160的小目标检测头，并改进多尺度跨层连接，增大head部分待检测特征尺寸，降低从小目标中提取特征的难度，为检测头提供更加丰富的语义信息，加强模型对小目标特征的提取能力；
21、(3)为了应对主干网络提取的目标特征往往会在过多的下采样中失真或被本文档来自技高网...
【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：特征对齐模块FAM、信息融合模块IFM和信息注入模块Inject。
5.根据权利要求3所述的一种轻量化航空小目标识别方法，其特征在于，Low-GD结构还包括：
6.根据权利要求2所述的一种轻量化
7.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，还包括对S2中训练和测试后的ASOD-YOLO模型通过评价指标进行评价，评价指标包括平均精度、浮点运算量和参数量。
8.一种轻量化航空小目标识别系统，其特征在于，应用权利要求1-7任一项所述的一种轻量化航空小目标识别方法，包括依次连接的模型构建模块、模型训练模块、图像检测模块；其中，
...【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：
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。