针对无人机航拍图像中微小复杂目标的检测方法技术

技术编号：43183903 阅读：12 留言：0更新日期：2024-11-01 20:09

本发明专利技术公开针对无人机航拍图像中微小复杂目标的检测方法，具体为：步骤1、获取无人机航拍图像数据集并转化为YOLO格式，并进行测试集和训练集的划分；步骤2、构建针对无人机航拍图像中微小复杂目标的检测网络；步骤3、针对无人机航拍图像中微小复杂目标的检测网络进行训练，得到最终的针对无人机航拍图像中微小复杂目标的检测网络；步骤4、对原YOLOv8模型和得到的针对无人机航拍图像中微小复杂目标的检测网络进行性能测试得到平均精度，评估和记录两个模型在处理真实世界航拍图像时的平均精度，从而验证模型在小目标检测方面的有效性和准确性。该方法解决了无人机航拍视角下的小目标在复杂环境中因数量多及易被遮挡难以检测的问题。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及计算机视觉，具体涉及针对无人机航拍图像中微小复杂目标的检测方法。

技术介绍

1、在计算机视觉领域小目标检测有着重要应用，例如自动驾驶汽车、智能视频监控和农作物分析等。伴随无人机技术的高速发展，利用无人机捕获的图像进行小目标检测，对实现地理信息收集、交通指挥以及紧急救援等任务具有至关重要的作用。然而，无人机视角下的图像具有高视点、大视角和复杂背景等特殊属性，小目标本身也包含小尺寸、低分辨率和模糊边界等特性，这些因素共同导致无人机视角下的小目标检测成为一个极具挑战性的任务。

2、深度学习技术的迅猛发展为小目标检测不断提供着新的解决方案。其中一些相关工作有：r-cnn(girshick r.fast r-cnn[c].in proceedings of the ieeeinternational conference on computer vision,2015:1440-1448[doi:10.1109/iccv.2015.169].//ren s,he k,girshick r,sun j.faster r-cnn:towards real-timeobject detection with region proposal networks[j].advances in neuralinformation processing systems,2015:#28[doi:10.5555/2969239.2969250].)、ssd([10]

3、liu w,anguelov d,erhan d

4、yolo(you only look once)系列算法是一系列在计算机视觉领域广泛使用的实时对象检测系统。自从其首次提出以来经过不断的发展在检测精度和计算成本方面取得了更好的平衡。经典的应用于目标检测的yolo系列算法有yolov3(redmon j,farhadia.yolov3:an incremental improvement.arxiv preprint arxiv:1804.02767.2018apr8.)、yolov5(glenn j.(2020)yolov5.[2022-10-10].https://github.com/ultralytics/yolov5.)、yolov6(yolov6:asingle-stage object detection framework forindustrial applications.available online:https://github.com/meituan/yolov6.)、yolov7(wang c y,bochkovskiy a,liao h y m.yolov7:trainable bag-of-freebiessets new state-of-the-art for real-time object detectors[c].ieee/cvfconference on computer vision and pattern recognition(cvpr),2023:7464-7475[doi:10.48550/arxiv.2207.02696].)。yolov3引入多尺度检测和改良的损失函数，以及使用darknet-53网络增强了特征提取的能力，显著提升了对小目标和多类别目标的检测精度。yolov5使用mosaic数据增强的策略和引入csp模块优化了检测效率。yolov6引入了效率更高的repvgg作为其主干网络，并通过多分支融合的方式优化了特征传输的效率，同时精简了检测头的设计，从而整体提升了检测性能。yolov7集合了重参数化神经网络repvgg(reparameterized convolutional neural network)的重参数化思想、yolov5中的跨网格搜索、yolox的匹配策略和用于实例分割的路径聚合网络panet(path aggregationnetwork)等先进技术使其在目标检测任务中表现更为良好。

5、然而，尽管yolo系列算法在多个领域取得了显著的成果，但在小目标检测方面，特别是从无人机航拍视角进行小目标检测时，仍有改进的空间。这主要是由于算法的固定感受野限制、对小目标的特征表达能力不足，以及损失函数难以有效适应小目标检测的需求所导致的。

技术实现思路

1、本专利技术的目的在于提供针对无人机航拍图像中微小复杂目标的检测方法，旨在解决无人机航拍视角下的小目标在复杂环境中因数量多及易被遮挡难以检测的问题。

2、本专利技术所采用的技术方案是，针对无人机航拍图像中微小复杂目标的检测方法，具体为：

3、步骤1、获取无人机航拍图像数据集并转化为yolo格式，并进行测试集和训练集的划分；

4、步骤2、构建针对无人机航拍图像中微小复杂目标的检测网络；

5、步骤3、针对无人机航拍图像中微小复杂目标的检测网络进行训练，得到最终的针对无人机航拍图像中微小复杂目标的检测网络；

6、步骤4、对原yolov8模型和步骤3最终得到的针对无人机航拍图像中微小复杂目标的检测网络进行性能测试得到平均精度，评估和记录两个模型在处理真实世界航拍图像时的平均精度，从而验证模型在小目标检测方面的有效性和准确性。

7、本专利技术的特征还在于：

8、步骤1中，无人机航拍图像数据集为visdrone2019数据集。

9、步骤2具体为：

10、步骤2.1、构建改进的主干网络，将原始yolov8主干网络第二个c2f模块替换为使用融合了动态蛇形卷积的c2f模块：c2f_dysnackconv；具体操作如下：

11、在步骤2.1中，在原始yolov8的主干网络部分，经过第三个下采样之后，使用融合了动态蛇形卷积的c2f模块:c2f_dysnackconv；

12、在步骤2.1中，对融合了动态蛇形卷积的主干网络中动态蛇形卷积在x轴和y轴的具体操作如下：

13、首先，设置标准的二维卷积坐本文档来自技高网...

【技术保护点】

1.针对无人机航拍图像中微小复杂目标的检测方法，其特征在于，具体为：

2.根据权利要求1所述的针对无人机航拍图像中微小复杂目标的检测方法，其特征在于，步骤1中，无人机航拍图像数据集为VisDrone2019数据集。

3.根据权利要求1所述的针对无人机航拍图像中微小复杂目标的检测方法，其特征在于，步骤2具体为：

4.根据权利要求2所述的针对无人机航拍图像中微小复杂目标的检测方法，其特征在于，步骤3具体为：

5.根据权利要求2所述的针对无人机航拍图像中微小复杂目标的检测方法，其特征在于，步骤4具体为：

【技术特征摘要】

1.针对无人机航拍图像中微小复杂目标的检测方法，其特征在于，具体为：

2.根据权利要求1所述的针对无人机航拍图像中微小复杂目标的检测方法，其特征在于，步骤1中，无人机航拍图像数据集为visdrone2019数据集。

3.根据权利要求1所述的针对无人机航...

【专利技术属性】
技术研发人员：陈金广，赵思程，马丽丽，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人