【技术实现步骤摘要】
本专利技术属于计算机视觉领域中自动目标检测，具体涉及一种用于无人机的微小移动目标快速检测方法。
技术介绍
1、随着智能化设备的不断发展，无人机因其高度自动化的飞行控制和极强的环境适应力在巡视和监控方面都显现出越来越重要作用，如无人机在交通监控中可以定时定期在道路上空巡航，从空中监控车流量变化，通过智能算法及时识别并发现地面拥堵和事故，并将视频实时传输给交管部门处理；又如无人机在抗灾救援领域也有着广泛应用并正在发挥着越来越重要的作用，尤其是无人机能够快速抵达灾区第一线，使用智能算法为灾情评估，救援方案制定提供第一手资料，大大提高了救援效率。这些应用方面，其关键技术或技术瓶颈涉及无人机视角下的移动微小目标快速检测。
2、无人机视角下的移动微小目标快速检测算法的技术路线主要有：一是基于数学统计与计算的传统算法，二是基于深度学习中的卷积神经网络(cnn)技术的现代算法。传统算法对场景的依赖度较大，算法通用性不强。随着人工智能算法的广泛应用，让无人机的工作效率成倍提升，尤其是基于深度神经网络的yolov8系列的目标检测算法，其处理速度已经接近100fps，具有实时处理高清视频的能力，因此采用yolov8系列的目标检测方法将是解决移动微小目标快速检测重要技术途径。但是无人机视角下的地面移动目标有效像素少，相关分析表明直接采用yolov8框架算法不能有效提取弱小目标特征，实现高准确率、高时效的弱小目标检测。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种用于无人机的微小移
2、本专利技术采用的技术方案为：一种用于无人机的微小移动目标快速检测方法，具体步骤如下：
3、s1、构建无人机视角下的地面微小移动目标检测数据集，划分为训练集、测试集和验证集，并使用标记工具软件进行标注；
4、s2、构建改进的yolov8模型；
5、s3、基于步骤s2得到的改进的yolov8模型，输入训练集数据，使用focal-eiouloss网络损失函数训练网络，并用验证集数据计算模型的召回率r、精度p和平均精度map50；
6、s4、实时输入测试集数据到步骤s3训练好的改进yolov8模型网络，计算输出目标检测结果，包括：目标类型、检测框位置。
7、进一步地，所述步骤s1具体如下：
8、首先使用无人机进行视频拍摄，得到无人机视角下地面移动微小目标原始视频，然后将原始视频抽帧为图像并进行筛选，得到原始图像数据集，即无人机视角下的地面微小移动目标检测数据集，再将原始图像数据集按实际情况划分为训练集、测试集和验证集，并使用标记工具软件进行标注，最后使用数学统计方法，统计经过标注的原始图像数据集中的目标数和像素数，将其中小于100像素点的目标作为微小目标。
9、其中，所述经过标注的原始图像数据集为yolo算法通用数据集。
10、进一步地，所述步骤s2具体如下：
11、s21、对yolov8模型的骨干网络进行修改；
12、首先改造yolov8模型中afpn为fasterafpn，即将c2f模块中的bottleneck更改为faster_block模块，得到c2f-faster模块。
13、然后将yolov8模型的backbone中的第2、4、6、8层的c2f模块替换为c2f-faster模块。
14、s22、yolov8模型的neck部分进行修改；
15、首先采用基于fasterafpn模块的yolov8 neck网络进行深度特征融合，即将afpn网络中的c2f模块更改为c2f-faster模块，更改方式同步骤s21。
16、然后使用fasterafpn整体替换yolov8模型的pafpn，修改backbone与neck的连接方式，改变原来的4、6、9三层连接到neck为2、4、6、9四层连接，并修改neck与head的连接方式p345三层为p2345四层。
17、s23、修改yolov8模型的bbox损失函数，将原损失函数ciou修改为focal-eiou损失函数；
18、s24、基于步骤s21-s23，构建完成改进的yolov8模型。
19、进一步地，所述步骤s3具体如下：
20、输入训练集数据到改进的yolov8模型，首先设置训练集参数，包括：图像尺寸、训练轮次、批量大小、数据增强方法，然后设置网络训练超参数，包括：网络优化器sgd、初始学习率0.01、最终学习率0.0001、动量0.937和权重衰减0.0005。
21、使用focal-eiou loss网络损失函数训练网络，首先计算目标的交集/并集比iou，其计算表达式如下：
22、
23、其中，a表示目标的真实区域，b表示目标的预测区域。
24、再计算eiou loss，其计算表达式如下：
25、
26、其中，leiou表示eiou损失函数，liou表示iou损失函数，ldis表示距离损失函数，lasp表示方向损失函数；ρ2(x,y)表示x和y的欧式距离的平方值；b表示预测框的中心点，bgt表示真实框的中心点；w表示预测框的宽度，wgt表示真实框的宽度；h表示预测框的高度，hgt表示真实框的高度；cw和ch分别表示覆盖两个bbox的最小外接框的宽度和高度。
27、最后对eiou的损失加权处理，得到focal-eiou loss，其计算表达式如下：
28、lfocal-eiou＝iouγleiou
29、其中，γ表示用于控制曲线弧度的超参数，且γ＝2。
30、模型训练完成后使用验证集数据计算模型的召回率r、精度p和平均精度map50，对网络模型进行评价，其计算表达式如下：
31、
32、其中，tp表示正样本中检测正确的目标数，en表示正样本中漏检的目标数，fp表示正样本中检测错误的目标数，c表示数据集中的类别数，ap表示对于一个特定的类别在不同置信度阈值下的精确率-召回率曲线下的面积，map50表示交并比阈值在0.5时的map。
33、本专利技术的有益效果：本专利技术的方法首先构建无人机视角下的地面微小移动目标检测数据集，划分为训练集、测试集和验证集，并使用标记工具进行标注，然后构建改进的yolov8模型，输入训练集数据，使用focal-eiou loss网络损失函数训练网络，并用验证集数据计算模型的召回率r、精度p和平均精度map50，最后实时输入测试集数据，计算输出目标检测结果。本专利技术的方法专注于场景中的微小目标，有效降低yolov8模型算法在微小目标检测方面的漏检率高，从而提升了无人机监测的弱小目标检测精确度，适应变化场景无人机视角下进行弱小移动车辆高准确率检测，且检测速率本文档来自技高网...
【技术保护点】
1.一种用于无人机的微小移动目标快速检测方法，具体步骤如下：
2.根据权利要求1所述的一种用于无人机的微小移动目标快速检测方法，其特征在于，所述步骤S1具体如下：
3.根据权利要求1所述的一种用于无人机的微小移动目标快速检测方法，其特征在于，所述步骤S2具体如下：
4.根据权利要求1所述的一种用于无人机的微小移动目标快速检测方法，其特征在于，所述步骤S3具体如下：
【技术特征摘要】
1.一种用于无人机的微小移动目标快速检测方法，具体步骤如下：
2.根据权利要求1所述的一种用于无人机的微小移动目标快速检测方法，其特征在于，所述步骤s1具体如下：
3.根据权利要...
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。