基于动态多尺度优化的无人机航拍小目标检测方法技术

本发明专利技术公开了一种基于动态多尺度优化的无人机航拍小目标检测方法，通过在YOLOv5s模型中引入适配小目标尺寸的锚框、SPD‑Conv模块中的空间‑深度卷积层、微小目标检测层、C3TR模块、CARAFE模块、GSConv模块和RepC3模块，并增加跨层次连接对其进行改进来得到改进YOLOv5s模型，使改进YOLOv5s模型具备更强的小目标特征捕获能力、更高效的特征融合机制与较少计算成本的特点，然后对改进YOLOv5s模型进行训练，得到训练好的改进YOLOv5s模型，在对无人机航拍小目标进行检测时，将无人机航拍图像输入训练好的改进YOLOv5s模型中，训练好的改进YOLOv5s模型输出检测结果；优点是能够充分挖掘和重构丢失的高频特征信息、充分高效融合不同尺寸的特征信息以及适应无人机航拍场景下小目标尺寸变化较大情况，检测精度较高。

【技术实现步骤摘要】

本专利技术涉及无人机航拍小目标检测方法，尤其是涉及一种基于动态多尺度优化的无人机航拍小目标检测方法。

技术介绍

1、目标检测技术作为计算机视觉领域的基础性任务，持续推进着智能视频监控、自动驾驶等领域的创新发展。而无人机凭借机动性强、部署成本低等优势，在精准农业、城市监控以及应急救援任务等领域展现出独特的应用价值。但由于传感器物理特性与航拍高度的限制，无人机影像中目标常呈现亚像素级微观形态，同时面临同类目标尺度差异较大、复杂背景遮挡等问题。虽然现有目标检测方法能够在中大型目标检测任务中表现较好，但在复杂环境中小目标(目标边界框的宽高与原图像宽高比例小于0.1)检测仍存在漏检、误检以及低检测率等不足。

2、在无人机航拍小目标检测任务中，由于目标尺寸较小且分布密集，容易出现误检、漏检等问题，导致检测精度较低。

3、现有的无人机航拍小目标检测方法通过对yolov5s模型进行改进后，得到改进yolov5s模型，再基于改进yolov5s模型实现检测。其中改进yolov5s模型通过对yolov5s模型进行如下几点改进得到：一、将原yolov5s模本文档来自技高网...

【技术保护点】

1.一种基于动态多尺度优化的无人机航拍小目标检测方法，先对YOLOv5s模型进行改进，得到改进YOLOv5s模型，然后对所述的改进YOLOv5s模型进行训练，得到训练好的改进YOLOv5s模型，在对无人机航拍小目标进行检测时，将无人机航拍图像输入训练好的改进YOLOv5s模型中，训练好的改进YOLOv5s模型输出检测结果，其特征在于通过在所述的YOLOv5s模型中引入适配小目标尺寸的锚框、SPD-Conv模块中的空间-深度卷积层、微小目标检测层、C3TR模块、CARAFE模块、GSConv模块和RepC3模块，并增加跨层次连接对其进行改进来得到所述的改进YOLOv5s模型，使所述的改进Y...

【技术特征摘要】

1.一种基于动态多尺度优化的无人机航拍小目标检测方法，先对yolov5s模型进行改进，得到改进yolov5s模型，然后对所述的改进yolov5s模型进行训练，得到训练好的改进yolov5s模型，在对无人机航拍小目标进行检测时，将无人机航拍图像输入训练好的改进yolov5s模型中，训练好的改进yolov5s模型输出检测结果，其特征在于通过在所述的yolov5s模型中引入适配小目标尺寸的锚框、spd-conv模块中的空间-深度卷积层、微小目标检测层、c3tr模块、carafe模块、gsconv模块和repc3模块，并增加跨层次连接对其进行改进来得到所述的改进yolov5s模型，使所述的改进yolov5s模型具备更强的小目标特征捕获能力、更高效的特征融合机制与较少计算成本的特点，从而全面提升了无人机航拍小目标的检测精度。

2.根据权利要求1所述的一种基于动态多尺度优化的无人机航拍小目标检测方法，其特征在于所述的yolov5s模型共包含25层网络结构，25层网络结构从前往后依次连接，并且，第6层还与第12层连接，第4层还与第16层连接，第14层还与第19层连接，第10层还与第...

【专利技术属性】
技术研发人员：杜晨杰，陈一，沈威，张延红，刘翠娟，洪鑫华，赵晨，邓芳，万忠，张亮，
申请(专利权)人：浙江万里学院，
类型：发明
国别省市：