【技术实现步骤摘要】
本专利技术涉及无人机图像目标识别，特别涉及一种基于dd-yolo的轻量化无人机目标检测方法。
技术介绍
1、无人机作为一种灵活便捷的图像采集工具，已广泛应用于环境监测、农业、城市规划等领域。然而，无人机航拍图像中的目标检测仍面临诸多挑战。由于无人机通常在高空拍摄，图像中的目标往往较小且密集，此外，目标间的遮挡也较为常见，这些因素都可能导致传统目标检测算法出现错检和漏检现象。
2、目前，目标检测领域的主流方法主要基于深度学习，特别是卷积神经网络（cnns）。其中，yolo（you only look once）系列算法凭借其检测速度快、精度高的优点，在实际应用中获得了广泛关注。yolov8s是yolo系列的最新版本，具有较好的检测性能和较高的计算效率。然而，直接应用yolov8s进行无人机图像的目标检测，仍可能受到以下问题的困扰：1.无人机通常在高空进行拍摄，导致目标在图像中较小，传统检测方法难以捕捉小目标的细节。2.无人机航拍的场景中，目标物体往往密集排列，增加了目标检测的难度。3.密集场景下，物体间相互遮挡会导致目标特征难以被准确提取，从而影响检测效果。4.尽管yolov8s在检测性能上有所提升，但其较高的模型复杂度和计算资源需求限制了其在资源受限环境中的应用。
3、针对上述问题，现有技术已尝试通过改进网络结构等手段来提升模型性能。然而，这些改进往往在提升检测精度的同时，伴随着模型复杂度和计算资源需求的增加。因此，如何在保证检测精度的同时，简化模型结构、减少计算资源需求，成为当前无人机目标检测领域的重要
4、基于此，本文提出了一种基于dd-yolov8的轻量化无人机目标检测方法。通过引入深度卷积、可变形卷积及多种注意力机制，有效提升了模型的特征提取能力和检测精度，并在减少模型参数量和计算复杂度的同时，显著增强了对小目标的检测性能。实验结果表明，本方法在多个数据集上均取得了优异的检测效果，验证了其在实际应用中的可行性和有效性。
技术实现思路
1、本专利技术的专利技术目的在于提出了一种基于dd-yolo的轻量化无人机目标检测方法，以解决无人机航拍图像中目标检测所面临的目标小、密度高、遮挡严重以及模型复杂度高等问题。该方法通过改进yolov8s网络结构，结合可变深度卷积和多种注意力机制，提升模型的检测精度和效率，具有广泛的应用前景。
2、为了实现以上目的，本专利技术所采用的技术方案包括以下步骤：
3、步骤1：部署待训练的模型环境并同时获取公开的无人机图像数据集；
4、步骤2：设计dd-yolo的网络架构，建立dd-yolo轻量化无人机目标检测模型包括预处理部分、骨干网络、颈部网络和检测头部分；
5、步骤3：基于所述公开数据集的训练集训练所述dd-yolo小目标检测模型，得到最优小目标检测模型；
6、步骤4：将所述公开数据集中的测试集对所述最优小目标检测模型进行性能评估，以确保模型满足预定的准确性和实时处理要求，最后输出小目标检测结果以获得无人机图像中目标的定位和分类。
7、所述步骤2建立dd-yolo检测模型如下：
8、步骤s1：预处理部分，对数据集图像进行平移，缩放，mixup和使用mosaic数据增强方法，将多个图像拼接为一张，增加了训练数据的多样性。
9、步骤s2.1：所述骨干网络(backbone)采用csp-darknet53网络，通过conv模块卷积提取输入图像的特征信息形成特征映射；
10、步骤s2.2：通过dwconv模块和ddc2f模块，先将基础层的特征映射划分为两部分，然后通过跨阶段层次结构将它们合并；
11、步骤s2.3：通过注意力空间金字塔池化层(asppf)模块，将骨干网络(backbone)提取的特征进行融合后传入颈部网络(neck)；
12、步骤s3.1：所述颈部网络(neck)采用fpn-pan网络，
13、步骤s3.2：通过添加一个四倍下采样分支改进颈部，增强了模型多尺度特征融合能力，减少了细节特征的丢失；
14、步骤s3.3：通过采用dwconv模块和ddc2f模块对筛选后信息进行提取并传递给头部网络(head)；
15、步骤s4.1：所述头部网络(head)首先采用ciou作为边界框回归方式并采用增加一个160*160的高分辨率检测头来对颈部网络(neck)的信息进行预测;
16、步骤s4.2：过使用非极大值抑制(nms)算法快速去除因为上一步操作得到的过多的冗余边界框，最终得到检测结果；
17、所述步骤4性能评估如下：
18、步骤s1：首先通过在公开数据集中消融实验来验证各个改进模块的有效性；
19、步骤s2：通过对比试验来验证；
20、步骤s3：通过表格数据和可视化结果来直观展现网络的性能。
21、本专利技术具有以下有益效果及优点：
22、（1）采用先对模型轻量化，确保不加剧模型参数运算量的设计理念的前提下尽可能提升精度；
23、（2）使用多种注意力机制改造网络的sppf网络层，改造后的sppf层能够动态调整各个通道的重要性，关注特征图的不同部分，聚合局部和全局特征，提供更全面的特征表示；
24、（3）针对检测小目标时尺度不一导致语义信息的丢失，添加四倍下采样分支，增强深层语义信息与浅层语义信息的结合。
本文档来自技高网...【技术保护点】
1.一种基于DD-YOLO的轻量化无人机目标检测方法，其特征在于包括以下步骤：步骤S1：部署待训练的模型环境；步骤S2：获取公开的无人机小目标图像数据集步骤；S3：设计DD-YOLO的网络架构，构建DD-YOLO轻量化无人机目标检测模型；步骤S4：基于所述公开数据集的训练集训练所述DD-YOLO小目标检测模型，得到最优小目标检测模型；步骤S5：将所述公开数据集中的测试集对所述最优小目标检测模型进行性能评估，以确保模型满足预定的准确性和实时处理要求，最后输出小目标检测结果以获得无人机图像中目标的定位和分类。
2.如权利要求1中所述的一种基于DD-YOLO的轻量化无人机目标检测方法，其特征在于，所述DD-YOLO的网络架构包括预处理部分、骨干网络、颈部网络和检测头部分。
3.如权利要求2中所述的一种基于DD-YOLO的轻量化无人机目标检测方法，其特征在于，所述预处理部分，是对数据集图像进行平移，缩放，mixup和使用Mosaic数据增强方法，将多个图像拼接为一张，增加了训练数据的多样性。
4.如权利要求2中所述的一种基于DD-YOLO的轻量化无人机
5.如权利要求2中所述的一种基于DD-YOLO的轻量化无人机目标检测方法，其特征在于，所述颈部网络，在FPN-PAN中的添加了四倍下采样分支，提高了小目标的定位和识别准确性。
6.如权利要求2中所述的一种基于DD-YOLO的轻量化无人机目标检测方法，其特征在于，所述检测头部分，采用了解耦头结构并采用了Anchor-free目标检测方法，直接预测目标中心点，减少预测数量，提高效率。
7.如权利要求1中所述的一种基于DD-YOLO的轻量化无人机目标检测方法，其特征在于，所述性能评估，通常以准确率（Precision）、召回率（Recall）、平均精度值（meanaverage precision，mAP）作为在无人机航拍图像目标检测任务中学习能力的评价依据，计算公式如下：
...【技术特征摘要】
1.一种基于dd-yolo的轻量化无人机目标检测方法，其特征在于包括以下步骤：步骤s1：部署待训练的模型环境；步骤s2：获取公开的无人机小目标图像数据集步骤；s3：设计dd-yolo的网络架构，构建dd-yolo轻量化无人机目标检测模型；步骤s4：基于所述公开数据集的训练集训练所述dd-yolo小目标检测模型，得到最优小目标检测模型；步骤s5：将所述公开数据集中的测试集对所述最优小目标检测模型进行性能评估，以确保模型满足预定的准确性和实时处理要求，最后输出小目标检测结果以获得无人机图像中目标的定位和分类。
2.如权利要求1中所述的一种基于dd-yolo的轻量化无人机目标检测方法，其特征在于，所述dd-yolo的网络架构包括预处理部分、骨干网络、颈部网络和检测头部分。
3.如权利要求2中所述的一种基于dd-yolo的轻量化无人机目标检测方法，其特征在于，所述预处理部分，是对数据集图像进行平移，缩放，mixup和使用mosaic数据增强方法，将多个图像拼接为一张，增加了训练数据的多样性。
4.如权利要求2中所述的...
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。