【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体涉及一种用于嵌入式设备的无人机航拍图像小目标检测方法。
技术介绍
1、无人机因其具备高度机动性、灵活性和低成本等优势，已经成为了许多领域中不可或缺的一部分。尤其是在军事、农业、环保、地理测绘、通信和救援等领域，无人机技术已经发挥了重要作用。为了进一步提高无人机的功能性和实用性，目标检测技术成为了关键研究领域之一。
2、目标检测是计算机视觉领域的一个核心任务，旨在自动识别并定位图像中的多个感兴趣的物体。这一任务在多种实际应用场景中具有广泛的应用价值，如自动驾驶、视频监控、机器人视觉导航和无人机航拍目标检测等。近年来，计算机视觉和人工智能领域的突破性进展为目标检测技术的发展提供了新的动力。深度学习技术的发展使得计算机能够以前所未有的方式理解和处理图像数据。尤其是卷积神经网络(cnn)的出现，它们在目标检测任务中取得了显著的性能提升，在处理复杂场景下的目标检测任务时具有很高的准确率。如在实时目标检测算法中，yolo系列算法是其中最有代表性的算法之一，j redmon等人在2016年提出了yolo算法，它将目标检测问题转化为回归问题。yolo将输入图像划分为多个格子，每个格子负责预测其包含的目标物体及其边界框。yolo具有较快的检测速度，实现了实时目标检测。yolo在速度和准确性方面取得了较好的平衡，尤其在实时应用中表现出色。
3、无人机航拍图像目标检测研究具有显著的理论和实际应用意义。基于卷积神经网络的目标检测技术能够提升无人机在复杂环境中的自主飞行和导航能力。然而，在实际应用中，
4、现有的无人机航拍目标检测算法面临多重挑战，其中一个主要问题是深度神经网络具有计算量大且效率较差。当前算法在处理大规模图像数据时，由于深度神经网络模型的庞大参数量和复杂计算过程，往往难以满足实时性的要求，尤其是在嵌入式设备上运行时表现不佳。
5、另一个问题是检测目标特征变化剧烈，影响检测效果。无人机在高空飞行时，目标物体在画面中的视觉特征可能发生较大变化，光照和遮挡等因素也会对目标检测算法的性能产生影响，这使得算法在快速变化的环境中难以及时准确地检测小目标，限制了其在实际应用中的实用性。
技术实现思路
1、有鉴于此，本专利技术提供了一种用于嵌入式设备的无人机航拍图像小目标检测方法，计算资源消耗小、检测效果好，可适用于在有限计算能力的嵌入式设备上高效运行的无人机航拍图像目标检测，提高目标检测在无人机航拍中的可靠性和实用性。
2、本专利技术的用于嵌入式设备的无人机航拍图像小目标检测方法，包括：
3、步骤一，获取无人机航拍图像数据集，并划分为训练集和测试集；
4、步骤二，基于yolov7网络构建目标检测网络；所述目标检测网络包括特征提取子网络、特征融合子网络和目标预测子网络；
5、其中，所述特征提取子网络采用高效计算聚合网络，提取输入图像的多尺度特征；所述高效计算聚合网络由多个卷积层、高效计算聚合模块和池化层堆叠而成；高效计算聚合模块由多个cbs卷积模块和部分卷积pconv模块采用一次聚合结构堆叠而成，cbs卷积层和部分卷积pconv模块的卷积结果叠加作为该高效计算聚合模块提取的尺度特征；
6、所述特征融合子网络采用多级邻近特征融合金字塔，对步骤二得到的不同尺度的特征进行层次由低到高的逐步融合，得到融合后的不同层次的特征图；在融合过程中，采用自适应空间融合结构为不同尺度的特征分配不同的权重；
7、所述目标预测子网络采用不同尺度的检测头，分别提取所述融合后的不同层次特征图的特征信息，进行目标预测；
8、步骤三，设置网络超参数，对步骤二构建的网络进行训练，得到训练好的网络；
9、其中，训练过程中，基于改进的中心先验代价的标签分配方法分配正负样本，具体为：选择m个最大的t作为正样本；t＝sα×uβ×rv，其中s为分类分数，u为定位iou分数，v＝|xpred-xgt|为中心先验代价，xpred为预测框中心点位置，xgt为真实框中心点位置，α,β,r为调节指标重要性的超参数；
10、步骤四，基于训练好的网络对待检测的无人机航拍图像进行目标检测。
11、较优的，所述步骤一还包括对训练集进行数据增强：将训练集的图片调整至大小一致，在训练集中随机选择多张图片，取其部分合并成一张大图像，并对应调整标签；分别从两个批次不同的训练集中，随机选择两张图像，按照一定的权重进行混合，同时对应的标签也按照相同的权重进行插值；最后对图片进行色域变换，增强训练样本集，得到最终的训练样本。
12、较优的，所述cbs卷积模块由二维卷积、bn层和silu激活函数组成。
13、较优的，所述高效计算聚合模块由5个卷积层连接而成，其中，第一、三、五层为cbs卷积模块，第二、四层为部分卷积pconv模块；采用concat层将第一、三、五层提取的特征叠加后，利用cbs卷积模块调整通道数作为该高效计算聚合模块最终得到的特征输出。
14、较优的，所述特征提取子网络提取m个不同尺度的特征，分别为p0、p1、p2、…，pm；所述特征融合子网络中，首先对较低层次的pm和pm-1进行特征融合，得到第2级融合特征cm和cm-1；然后再引入较高层次的特征pm-2进行特征融合得到第3级融合特征sm，sm-1和sm-2；以此类推，最后引入最高层的特征p0进行特征融合，得到第m级融合特征a0、a1、a2、…，am；
15、特征融合时，利用自适应空间融合结构为待融合的特征分配不同的权重，具体为：用表示从第n级到第l级的位置(i,j)处的特征向量，结果特征向量表示为则其中，和表示两个特征在第l级空间的权重，且是可学习参数，学习通过1*1卷积核分别卷积得到的参数来调整自身。
16、较优的，所述步骤四中，所述目标预测子网络还包括小目标检测头head0，所述检测头head0对特征融合子网络得到的最高层级的特征图进行小目标检测。
17、有益效果：
18、(1)本专利技术在提取图片的多尺度特征时，采用高效计算聚合网络，该网络采取了高效的一次聚合结构并引入了部分卷积，两者共同减少内存访问和计算冗余度，充分有效地利用来自所有通道的信息，提高了参数利用率，减小内存访问和能耗；在特征融合时，采用多级邻近特征融合金字塔，先区域融合相邻层次的语义信息，再逐步引入高层次语义信息，突出相邻层次的特征表达，减少特征融合中的语义差距，并通过自适应空间融合结构对不同层次的特征进行加权融合，为相邻层次的特征融合赋予更高的权重，提升相邻层次之间的信息融合程度，保留了更多有用信息，避免非相邻层次之间存在较大的语义差距，提升本文档来自技高网...
【技术保护点】
1.一种用于嵌入式设备的无人机航拍图像小目标检测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述步骤一还包括对训练集进行数据增强：将训练集的图片调整至大小一致，在训练集中随机选择多张图片，取其部分合并成一张大图像，并对应调整标签；分别从两个批次不同的训练集中，随机选择两张图像，按照一定的权重进行混合，同时对应的标签也按照相同的权重进行插值；最后对图片进行色域变换，增强训练样本集，得到最终的训练样本。
3.如权利要求1所述的方法，其特征在于，所述CBS卷积模块由二维卷积、BN层和silu激活函数组成。
4.如权利要求1或3所述的方法，其特征在于，所述高效计算聚合模块由5个卷积层连接而成，其中，第一、三、五层为CBS卷积模块，第二、四层为部分卷积PConv模块；采用concat层将第一、三、五层提取的特征叠加后，利用CBS卷积模块调整通道数作为该高效计算聚合模块最终得到的特征输出。
5.如权利要求1所述的方法，其特征在于，所述特征提取子网络提取m个不同尺度的特征，分别为p0、p1、p2、…，pm；所述特征融合子网络
6.如权利要求1所述的方法，其特征在于，所述步骤四中，所述目标预测子网络还包括小目标检测头head0，所述检测头head0对特征融合子网络得到的最高层级的特征图进行小目标检测。
...【技术特征摘要】
1.一种用于嵌入式设备的无人机航拍图像小目标检测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述步骤一还包括对训练集进行数据增强：将训练集的图片调整至大小一致，在训练集中随机选择多张图片，取其部分合并成一张大图像，并对应调整标签；分别从两个批次不同的训练集中，随机选择两张图像，按照一定的权重进行混合，同时对应的标签也按照相同的权重进行插值；最后对图片进行色域变换，增强训练样本集，得到最终的训练样本。
3.如权利要求1所述的方法，其特征在于，所述cbs卷积模块由二维卷积、bn层和silu激活函数组成。
4.如权利要求1或3所述的方法，其特征在于，所述高效计算聚合模块由5个卷积层连接而成，其中，第一、三、五层为cbs卷积模块，第二、四层为部分卷积pconv模块；...
【专利技术属性】
技术研发人员：周志强，屈志宇，缪玲娟，邬璨伟，
申请(专利权)人：北京理工大学，
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。