【技术实现步骤摘要】
本申请涉及深度学习目标检测处理，具体涉及一种低空无人机目标检测模型训练方法及装置。
技术介绍
1、近年来，低空无人机(uav)技术在各个领域得到了广泛应用，例如农业监测、灾害救援、物流运输和安防监控等。低空无人机的目标检测技术是无人机智能化应用的重要组成部分，其核心任务是通过无人机摄像头实时获取的视频或图像数据来识别并定位图像中的特定目标。然而，由于无人机的飞行高度较低、视角变化大以及拍摄环境复杂等原因，导致这一任务面临诸多技术挑战。
2、无人机在飞行过程中获取的视频或图像数据通常受到飞行高度、视角变化、光照条件等因素的影响，这些因素会导致图像出现畸变、模糊、光照不均等问题。传统的目标检测方法依赖于手工设计的特征提取器，例如hog、sift等，这些方法在面对复杂场景时性能有限。深度学习技术的发展，特别是卷积神经网络(cnn)的引入，使得自动化特征提取成为可能。通过多层卷积操作，神经网络可以从图像中提取出具有丰富语义信息的特征表示，显著提高目标检测的性能。
3、在低空无人机拍摄的图像中，目标大小变化范围较大，从远距离的小目标到近距离的大目标都有可能出现。小目标检测是低空无人机目标检测中的一大难题。由于小目标在图像中占比小、特征不明显，所以容易被忽略或误检，导致针对大场景小目标的检测精度较低。同时，因为无人机的计算资源有限，所以要求目标检测算法具备高效的计算能力，以满足实时检测的需求，而轻量化的网络结构和高效的推理算法是提高检测速度的关键。因此，低空无人机在不同环境中飞行，目标检测算法需要具备良好的环境适应性
技术实现思路
1、为此，本申请提供一种低空无人机目标检测模型训练方法及装置，以解决现有技术在针对大场景小目标的检测时精度较低的问题。
2、为了实现上述目的，本申请提供如下技术方案：
3、第一方面，一种低空无人机目标检测模型训练方法，包括：
4、步骤1：获取地面目标特征数据集；
5、步骤2：将所述地面目标特征数据集输入到yolov8的backbone网络中进行特征提取，得到多层小目标低级特征图；所述backbone网络中的每个c2f层中均添加了注意力机制；
6、步骤3：将多层所述小目标低级特征图输入到mbconv模块中进行强化处理，得到强化后的小目标特征图；所述mbconv模块带深度可分离卷积；
7、步骤4：将强化后的所述小目标特征图输入到yolov8的neck网络中进行多尺度特征检测，得到多尺度特征；所述neck网络中添加有一层小目标检测层；
8、步骤5：采用ssff模块和tfe模块融合所述多尺度特征的局部特征和全局特征，得到融合特征；所述ssff模块和所述tfe模块融合在所述neck网络的特征融合网络中；
9、步骤6：将所述融合特征输入到yolov8的head网络中进行分类预测，得到目标检测模型；所述head网络中包括可变形卷积的dynamic head模块。
10、可选地，所述步骤1中，所述地面目标特征数据集包括不同高度、不同角度的环视数据。
11、可选地，所述步骤3中，所述mbconv模块的结构包括依次连接的第一卷积层、深度可分离卷积、ese模块、第二卷积层和dropout层。
12、可选地，所述第一卷积层和所述第二卷积层的卷积核尺寸均为1x1。
13、可选地，所述mbconv模块的激活函数为swish。
14、可选地，所述步骤4中，所述小目标检测层的下采样倍数为4。
15、第二方面，一种低空无人机目标检测模型训练装置，包括：
16、数据获取模块，用于获取地面目标特征数据集；
17、特征提取模块，用于将所述地面目标特征数据集输入到yolov8的backbone网络中进行特征提取，得到多层小目标低级特征图；所述backbone网络中的每个c2f层中均添加了注意力机制；
18、特征强化模块，用于将多层所述小目标低级特征图输入到mbconv模块中进行强化处理，得到强化后的小目标特征图；所述mbconv模块带深度可分离卷积；
19、多尺度特征检测模块，用于将强化后的所述小目标特征图输入到yolov8的neck网络中进行多尺度特征检测，得到多尺度特征；所述neck网络中添加有一层小目标检测层；
20、特征融合模块，用于采用ssff模块和tfe模块融合所述多尺度特征的局部特征和全局特征，得到融合特征；所述ssff模块和所述tfe模块融合在所述neck网络的特征融合网络中；
21、分类预测模块，用于将所述融合特征输入到yolov8的head网络中进行分类预测，得到目标检测模型；所述head网络中包括可变形卷积的dynamic head模块。
22、第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种低空无人机目标检测模型训练方法的步骤。
23、第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种低空无人机目标检测模型训练方法的步骤。
24、第五方面，一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被处理器执行时实现一种低空无人机目标检测模型训练方法的步骤。
25、相比现有技术，本申请至少具有以下有益效果：
26、本申请基于对现有技术问题的进一步分析和研究，认识到无人机低空场景的拍摄高度和视角的特殊性，通过在yolov8的backbone网络中的每个c2f层中均添加了注意力机制，使网络更加关注关键目标区域，还加入带深度可分离卷积的mbconv模块，以减轻模型参数和计算量的负担；在neck网络中添加了一个专用于小目标的尺度特征图检测层，并使用ssff模块和tfe模块融合局部和全局特征信息，生成包含更多关键信息的特征图，从而提升目标检测的性能和准确度；在head网络中引入了包含可变形卷积的dynamic head模块，不仅在不增加大量计算量的情况下显著提升了检测头的表达能力，还结合多种注意力机制增强了特征表达。
本文档来自技高网...【技术保护点】
1.一种低空无人机目标检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的低空无人机目标检测模型训练方法，其特征在于，所述步骤1中，所述地面目标特征数据集包括不同高度、不同角度的环视数据。
3.根据权利要求1所述的低空无人机目标检测模型训练方法，其特征在于，所述步骤3中，所述MBConv模块的结构包括依次连接的第一卷积层、深度可分离卷积、ESE模块、第二卷积层和Dropout层。
4.根据权利要求3所述的低空无人机目标检测模型训练方法，其特征在于，所述第一卷积层和所述第二卷积层的卷积核尺寸均为1x1。
5.根据权利要求3所述的低空无人机目标检测模型训练方法，其特征在于，所述MBConv模块的激活函数为Swish。
6.根据权利要求1所述的低空无人机目标检测模型训练方法，其特征在于，所述步骤4中，所述小目标检测层的下采样倍数为4。
7.一种低空无人机目标检测模型训练装置，其特征在于，包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种低空无人机目标检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的低空无人机目标检测模型训练方法，其特征在于，所述步骤1中，所述地面目标特征数据集包括不同高度、不同角度的环视数据。
3.根据权利要求1所述的低空无人机目标检测模型训练方法，其特征在于，所述步骤3中，所述mbconv模块的结构包括依次连接的第一卷积层、深度可分离卷积、ese模块、第二卷积层和dropout层。
4.根据权利要求3所述的低空无人机目标检测模型训练方法，其特征在于，所述第一卷积层和所述第二卷积层的卷积核尺寸均为1x1。
5.根据权利要求3所述的低空无人机目标检测模型训练方法，其特征在于，所述mbconv模块的激活函数为swis...
【专利技术属性】
技术研发人员：张延申，于振东，刘子豪，
申请(专利权)人：北京豪末科技有限公司，
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。