本发明专利技术涉及图像处理技术领域，公开了基于超分辨率与多维度注意力融合的低空无人机检测方法，包括以下步骤：采用SRFormer模型对原始图像进行超分辨率重建，获得超分辨率图像；使用超分辩率图像对YOLO11‑DFA模型进行训练，使得YOLO11‑DFA模型输出目标无人机的预测结果；所述YOLO11‑DFA模型在YOLO11模型的基础上将C3K2模块替换为RCCA模块，并在Head模块之前引入CDA模块。本发明专利技术的目的在于针对低空无人机检测的特殊性，通过协同优化图像质量增强与目标特征聚焦，显著提升低空复杂环境下轻小型目标无人机的检测精度。
【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及基于超分辨率与多维度注意力融合的低空无人机检测方法。
技术介绍
1、随着低空经济政策的开放，无人机在物流、巡检等领域的应用激增，但低空环境存在光照多变、背景复杂（如城市建筑、植被遮挡）等挑战。无人机规模化应用与空域安全监管需求间的矛盾日益凸显。传统无人机防撞预警方法依赖高精度雷达或激光传感器，存在设备成本高、复杂低空环境适应性差等局限性。尽管视觉检测技术通过成本优势部分弥补了上述缺陷，但在实际应用时，远距离轻小型无人机目标在动态云层、城市楼宇遮挡等复杂背景下呈现的低信噪比特性以及无人机高速机动引发的运动模糊与多角度姿态变化，加剧了传统视觉检测模型的预测误差，严重制约空域协同管控效能。现有的视觉目标检测方法，如yolo等，虽有较快的推理速度，但对远距离空中无人机目标特征退化、光照突变及旋翼频域特征提取等关键问题缺乏有效解决方案。
2、因此为了提升低空背景下目标无人机检测的精度和准度，还需进行技术创新，使复杂背景干扰、目标旋转、尺度变化情况下的低空轻小型无人机的检测精度提升。
>技术实现思路本文档来自技高网...
【技术保护点】
1.基于超分辨率与多维度注意力融合的低空无人机检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于超分辨率与多维度注意力融合的低空无人机检测方法，其特征在于，所述SRFormer模型包括多个置换自注意力块、一个卷积前馈网络，多个置换自注意力块依次连接后与卷积前馈网络连接；
3.根据权利要求2所述的基于超分辨率与多维度注意力融合的低空无人机检测方法，其特征在于，输入图像特征图Xin输入第一个置换自注意力块的处理过程为：
4.根据权利要求1所述的基于超分辨率与多维度注意力融合的低空无人机检测方法，其特征在于，所述YOLO11-DFA模型包括主...
【技术特征摘要】
1.基于超分辨率与多维度注意力融合的低空无人机检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于超分辨率与多维度注意力融合的低空无人机检测方法，其特征在于，所述srformer模型包括多个置换自注意力块、一个卷积前馈网络，多个置换自注意力块依次连接后与卷积前馈网络连接；
3.根据权利要求2所述的基于超分辨率与多维度注意力融合的低空无人机检测方法，其特征在于，输入图像特征图xin输入第一个置换自注意力块的处理过程为：
【专利技术属性】
技术研发人员：潘磊，秦晨晨，吴鑫雨，郑远，卢志鹏，李雪健，汤泽新，郭昊，
申请(专利权)人：中国民用航空飞行学院，
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。