【技术实现步骤摘要】
本专利技术属于计算机视觉目标检测，具体涉及一种基于改进yolov7算法的无人机航拍小目标检测方法。
技术介绍
1、无人机航拍小目标检测是利用目标检测技术辅助进行无人机航拍视频中小目标的识别和定位。该技术可应用于无人机的自动化巡检，例如，森林巡检、边境巡检等。目前目标检测算法以基于深度学习的目标检测算法为主，该类算法利用卷积神经网络提取图像深层次特征，具有很强的泛化性，因此被广泛应用于各种目标检测任务中。
2、基于深度学习的无人机航拍小目标检测算法分为两阶段和一阶段。两阶段算法主要是r.girshick等人提出的r-cnn算法及其改进算法，该类算法在训练阶段需要先提取区域候选框再利用cnn提取特征，在推理阶段同样需要先提取区域候选框再利用训练阶段生成的特征通过分类器判断候选框属于目标还是背景，在候选框属于目标时对候选框进行微调完成对目标的检测，其优势在于检测精度较高，缺点在于无法达到实时性效果。一阶段算法主要是joseph redmon等人提出的yolo算法及其改进算法，该类算法直接通过cnn网络进行目标的识别和定位，主要思路是将图像划分成s×s的网格，若一个物体的中心点位于某个格子中，该格子就负责预测该物体的类别和位置，其优势在于能够实时检测，但检测精度相较于r-cnn系列略逊一筹。但是随着yolo系列算法的不断改进，其检测精度也达到甚至超过二阶段算法。
3、yolo系列前沿算法实时性好，适合无人机航拍小目标的实时检测，但将yolo系列前沿版本yolov7应用于无人机航拍小目标检测存在检测精度不高的问题。
4、现有的cn202210701583.5一种基于改进yolov4的无人机航拍小目标检测方法对yolov4主干网络进行了轻量化并对颈部网络特征融合结构进行了改进，提高了检测精度，但是输出的特征图尺寸相差很大，容易漏检特定大小的目标。
技术实现思路
1、为了克服以上现有技术存在的问题，本专利技术的目的在于提供一种基于改进yolov7算法的无人机航拍小目标检测方法，用于提高无人机航拍小目标检测精度。
2、为了实现上述目的，本专利技术采用的技术方案是：
3、一种基于改进yolov7算法的无人机航拍小目标检测方法，包括以下步骤；
4、s1：对无人机数据集进行格式转换；
5、s2：按比例将转换后的无人机数据集划分为训练集、验证集和测试集；
6、s3：对yolov7的骨干网络进行改进，构建坐标卷积堆叠分支，以提取特征图的细节特征，通过与融合层的特征进行拼接，得到改进的骨干网络；
7、s4：对yolov7的neck进行改进，使用深层路由注意力来替换颈部mp-2模块中的普通1×1卷积，并将融合后的特征输入到特征融合策略来去除特征金字塔内部不一致信息，得到改进的neck；
8、s5：对yolov7的损失函数进行改进，使用iou和wassestein度量的结合作为正负样本分配的度量值，得到改进的损失函数；
9、s6：设置训练参数，使用训练集对模型进行迭代训练，得到并保存无人机图像目标检测模型权重数据；
10、s7：训练结束后，选取验证集损失函数最小的模型训练权重载入到网络中，用测试集进行测试，得到网络的检测性能。
11、本专利技术技术方案的进一步改进在于：s1中，将原无人机数据集的数据格式转换成yolo格式。
12、本专利技术技术方案的进一步改进在于：s2中，将无人机数据集的图片进行训练集、验证集和测试集的划分。
13、本专利技术技术方案的进一步改进在于：s3中，对原yolov7的backbone进行改进：利用坐标卷积堆叠分支来替换原骨干elan模型进行特征提取，当输入特征图后，在普通卷积后增加了两个通道，分别表示原始输入的x和y坐标，并在卷积间添加了残差连接。
14、本专利技术技术方案的进一步改进在于：s4中，具体包括以下步骤：
15、s4.1在自上而下特征金字塔链路中，深层路由注意力机制得以应用，通过统一划分输入特征图为s×s个不重叠区域，经线性映射获取q、k、v，并利用邻接矩阵构建键值对对应关系以确定每个区域的参与情况，最终获取区域间路由索引矩阵，并在此基础上实施细粒度的token-to-token注意力机制，
16、s4.2将融合后的特征被输入到特征融合策略模块中，经过恒等缩放及内部自适应融合处理，其中对于特定级别的特征图，首先将其他级别特征图经上、下采样和1×1卷积调整至相同形状，并训练获得三个最佳权重图以完成融合。
17、本专利技术技术方案的进一步改进在于：s5中，无人机数据集中不仅仅存在小目标，也存在中大型目标，采用混合损失函数作为预测头中的定位损失函数，用于评估网络输入样本的预测值与真实值之间的偏差程度。
18、本专利技术技术方案的进一步改进在于：s6中，对原始图像进行裁剪，统一裁剪为640×640；在训练阶段，输入图片大小设置为640×640，选择adam优化器来更新网络参数，初始学习率设置为0.01，动量设为0.92，迭代次数设为300次，批归一化大小为为8，设置好参数后开始训练模型，边训练边保存相关训练权重。
19、本专利技术技术方案的进一步改进在于：s7中，选取损失函数最小的模型权重载入网络，测试其检测精度和可视化结果图。
20、由于采用了上述技术方案，本专利技术取得的技术进步是：
21、原yolov7网络仅使用普通卷积对特征图进行特征提取，这样提取的特征有限，没有充分提取特征信息；改进后的yolov7方法使用坐标卷积堆叠分支来提取特征信息，并与颈部融合层特征拼接以获得更多更细节的特征信息，使检测效果更好。原yolov7网络没有引入注意力机制；本专利技术通过引入深层路由注意力机制，发现有助于更准确地定位感兴趣区域，帮助整个模型更好地定位目标。原yolov7网络中定位损失函数对于小目标位置偏差较大，这样检测效果不理想；本专利技术通过引入混合损失函数来降低小目标位置偏差敏感度，帮助整个模型更好地检测。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv7的无人机航拍小目标检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进YOLOv7的无人机航拍小目标检测方法，其特征在于：S1中，将无人机数据集的格式转换为YOLO格式。
3.根据权利要求1所述的一种基于改进YOLOv7的无人机航拍小目标检测方法，其特征在于：S2中，将数据集的图片按照6∶3∶1的比例进行训练集、验证集和测试集的划分。
4.根据权利要求1所述的一种基于改进YOLOv7的无人机航拍小目标检测方法，其特征在于：S3中，利用坐标卷积堆叠分支来替换骨干ELAN模型进行特征提取，当输入特征图后，在普通卷积后增加了两个通道，并在卷积间添加了跳越连接。
5.根据权利要求1所述的一种基于改进YOLOv7的无人机航拍小目标检测方法，其特征在于：S4中,利用注意力模块来提取关键特征信息，并通过融合策略保留有用的特征信息。
6.根据权利要求1所述的一种基于改进YOLOv7的无人机航拍小目标检测方法，其特征在于：S5中，混合损失函数同时考虑了中大型目标和小目标，用于解决目标位置偏
7.根据权利要求1所述的一种基于改进YOLOv7的无人机航拍小目标检测方法，其特征在于：S6中，将输入图片大小设置为640×640，选择Adam优化器来更新网络参数，初始学习率设置为0.01，动量设为0.92，迭代次数设为300次，批归一化大小为为8，设置好参数后开始训练模型，边训练边保存相关训练权重。
8.根据权利要求1所述的一种基于改进YOLOv7的无人机航拍小目标检测方法，其特征在于：S7中，选取损失函数最小的模型权重载入网络，测试其检测精度和可视化结果图。
...【技术特征摘要】
1.一种基于改进yolov7的无人机航拍小目标检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进yolov7的无人机航拍小目标检测方法，其特征在于：s1中，将无人机数据集的格式转换为yolo格式。
3.根据权利要求1所述的一种基于改进yolov7的无人机航拍小目标检测方法，其特征在于：s2中，将数据集的图片按照6∶3∶1的比例进行训练集、验证集和测试集的划分。
4.根据权利要求1所述的一种基于改进yolov7的无人机航拍小目标检测方法，其特征在于：s3中，利用坐标卷积堆叠分支来替换骨干elan模型进行特征提取，当输入特征图后，在普通卷积后增加了两个通道，并在卷积间添加了跳越连接。
5.根据权利要求1所述的一种基于改进yolov7的无人机航拍小目标检测方法，其特征在于：s4...
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。