【技术实现步骤摘要】
本专利技术属于小型无人机识别，具体涉及一种优化的yolov8结合注意力机制的小型无人机检测方法。
技术介绍
1、近年来，无人机技术已经扩展到智能农业、物流配送等多个领域。无人机在这些行业中的应用带来显著的便利，如高效的物资配送、精准的农作物监测等。然而，随着无人机使用的普及，社会对其安全性的关注也显著增加，若无人机滥用问题得不到有效控制，可能导致未来天空被无人机密布的情形，进而导致干扰有人机的操作。因此，开发高效的无人机识别系统以实时、准确地区分无人机与其他物体成为亟待解决的重要问题。
2、传统的无人机检测方法通常依赖雷达和红外技术。然而，随着深度学习技术的迅速发展，现代无人机检测系统逐渐倾向于使用基于深度学习的方法，这些方法能够自动从数据中提取和学习目标特征。深度学习是人工智能(ai)的一个分支，利用神经网络对数据进行处理。通过对大量数据集进行训练，这些网络可以自主学习和识别模式，从而模拟人脑的功能。得益于训练数据的可获取性、先进的硬件和计算资源的普及，深度学习技术在物体检测领域的应用逐渐增多，显示出其在无人机检测中的优势。
3、为了解决上述挑战，基于深度学习的无人机检测技术在近年来得到显著进展。特别是卷积神经网络(cnn)在目标检测领域的应用展示出极大的潜力。物体检测一般包括两个主要任务：目标定位和分类。物体检测分为单阶段和双阶段检测器。单阶段检测器，如yolo(you on ly look once)和ssd(single shot mu lt ibox detector)，在同一阶段直接预测边界框
4、尽管深度学习技术在无人机检测中取得显著的成果，但无人机的小型目标特性、飞行行为的多样性以及复杂环境中的背景干扰仍然对检测精度构成挑战。为应对这些挑战，本专利技术提出了一种基于优化的yolov8模型，并结合注意力机制(attent ion mechan ism)来增强对小型无人机的检测能力。本专利技术的目的是在面临小目标无人机时，提升检测系统在复杂环境下的准确性和鲁棒性，以克服传统检测方法中的不足。
技术实现思路
1、本专利技术为了解决现有技术中存在的上述至少一个技术问题，提供了一种优化的yolov8结合注意力机制的小型无人机检测方法。
2、本专利技术采用如下的技术方案实现：一种优化的yolov8结合注意力机制的小型无人机检测方法，包括以下步骤：
3、s1:在yolov8模型的颈部部分引入残差块卷积块注意力模块；
4、s2:在yolov8模型的检测头部分增加高分辨率检测头；
5、s3:基于上述改进搭建p2—rescbam-yolov8网络；
6、s4：构建复杂背景下的小型无人机的图像数据集，对新的yolov8模型训练和验证；
7、s5：基于优化后的yolov8模型识别复杂背景下的小型无人机目标。
8、优选地，残差块卷积块注意力模块包括：
9、一个通道注意力模块，用于通过全局平均池化和全局最大池化操作生成通道注意力图，并对输入特征图的每个通道进行加权处理；
10、一个空间注意力模块，用于通过二维卷积操作生成空间注意力图，并对经过通道注意力调整后的特征图进行空间维度上的加权处理。
11、优选地，残差块卷积块注意力模块通过残差连接机制将输入特征图与经过通道注意力和空间注意力处理的特征图相加。
12、优选地，增加的高分辨率检测头的分辨率为160×160像素，通过多层次检测头结构结合低层次和高层次特征信息，从不同尺度上检测目标。
13、优选地，低层次和高层次特征信息包括低分辨率空间特征和高层次语义特征。
14、优选地，yolov8模型的骨干网络采用新型的c2f卷积模块，在yolov8模型的头部引入无锚框检测机制，直接从目标的中心点进行检测。
15、优选地，图像数据集经过几何变换、曝光调整的数据增强操作，p2—rescbam-yolov8网络的训练批量大小为16，训练100轮次，选择sgd优化器。
16、优选地，通过调节动量和权重衰减超参数，优化模型的训练过程；在yolov8模型中关闭训练最后10个epoch中的马赛克增强。
17、与现有技术相比，本专利技术的有益效果是：
18、p2—rescbam-yolov8模型在复杂场景中能够准确识别无人机的位置，表现出极高的检测精度，显著提升检测的可靠性和精度。本专利技术通过引入的残差块卷积块注意力模块和高分辨率检测头，使得模型在提取目标特征时，能够更好地识别出具有微小差异的目标物体。无论是在飞行高度较高的远距离监控场景，还是在具有大量干扰物体的复杂背景下，该模型均能够保持高效的检测精度，能够显著提升yolov8模型在小型无人机检测任务中的精度、效率和鲁棒性，具有广泛的应用前景。
本文档来自技高网...【技术保护点】
1.一种优化的YOLOv8结合注意力机制的小型无人机检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种优化的YOLOv8结合注意力机制的小型无人机检测方法，其特征在于：
3.根据权利要求2所述的一种优化的YOLOv8结合注意力机制的小型无人机检测方法，其特征在于：残差块卷积块注意力模块通过残差连接机制将输入特征图与经过通道注意力和空间注意力处理的特征图相加。
4.根据权利要求1所述的一种优化的YOLOv8结合注意力机制的小型无人机检测方法，其特征在于：增加的高分辨率检测头的分辨率为160×160像素，通过多层次检测头结构结合低层次和高层次特征信息，从不同尺度上检测目标。
5.根据权利要求4所述的一种优化的YOLOv8结合注意力机制的小型无人机检测方法，其特征在于：低层次和高层次特征信息包括低分辨率空间特征和高层次语义特征。
6.根据权利要求1所述的一种优化的YOLOv8结合注意力机制的小型无人机检测方法，其特征在于：YOLOv8模型的骨干网络采用新型的C2f卷积模块，在YOLOv8模型的头部引入无锚框检测
7.根据权利要求1所述的一种优化的YOLOv8结合注意力机制的小型无人机检测方法，其特征在于：图像数据集经过几何变换、曝光调整的数据增强操作，P2—ResCBAM-YOLOv8网络的训练批量大小为16，训练100轮次，选择SGD优化器。
8.根据权利要求7所述的一种优化的YOLOv8结合注意力机制的小型无人机检测方法，其特征在于：通过调节动量和权重衰减超参数，优化模型的训练过程；在YOLOv8模型中关闭训练最后10个epoch中的马赛克增强。
...【技术特征摘要】
1.一种优化的yolov8结合注意力机制的小型无人机检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种优化的yolov8结合注意力机制的小型无人机检测方法，其特征在于：
3.根据权利要求2所述的一种优化的yolov8结合注意力机制的小型无人机检测方法，其特征在于：残差块卷积块注意力模块通过残差连接机制将输入特征图与经过通道注意力和空间注意力处理的特征图相加。
4.根据权利要求1所述的一种优化的yolov8结合注意力机制的小型无人机检测方法，其特征在于：增加的高分辨率检测头的分辨率为160×160像素，通过多层次检测头结构结合低层次和高层次特征信息，从不同尺度上检测目标。
5.根据权利要求4所述的一种优化的yolov8结合注意力机制的小型无人机检测方法，其特征在于：低层次和高层次...
【专利技术属性】
技术研发人员：王培毅，丁俊飞，詹洪凯，张榕，
申请(专利权)人：山西通用航空集团有限公司，
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。