【技术实现步骤摘要】
本专利技术涉及计算机视觉和图像处理，尤其是涉及一种海上无人机图像的目标检测方法和电子设备。
技术介绍
1、海洋覆盖了地球约71％的面积，与人类的生存发展有着密不可分的联系。据worldwildlife fund统计，每年海洋的总经济价值约为24万亿美元。然而海洋在为人类产生经济价值的同时，也对人类的生命安全产生威胁。每年世界各地都会发生大量的空难和海难，但是目前并没有一个完善的救援体系。传统的搜救方式主要依赖水面舰艇和直升机，这样不仅需要花费大量的人力物力，而且还有效率低、搜救范围小、成本高等缺点。近年来，随着无人机技术的发展，无人机的制造技术和性能指标逐步成熟。无人机由于其重量轻、结构小、低成本、高性能等优点被广泛应用于农业生产、山火防控、抗灾救援等诸多领域。无人机与传统救援体系的结合，弥补了传统救援体系中搜救范围小的缺陷，大大提高了救援效率。
2、人工智能和目标检测算法的飞速发展更是能够让无人机在海洋搜救中发挥更大的作用。海洋目标检测作为目标检测领域的一个重要分支，对海上导航、海上交通、海洋环境检测乃至国防安全都具有重要意义。将目标检测算法与无人机领域相结合，能够让无人机进行快速的目标定位和目标识别，减少了人力损耗和搜救时间，大大提高了救援效率。
3、目标检测算法发展的早期，由于硬件计算能力难以支持复杂的特征提取和卷积运算，所以早期的目标检测大多是基于人工设计的特征提取器。这些目标检测算法的参数量普遍较小，能够嵌入到各种小型的移动平台，但是其最大的缺点就是泛化能力很差。对于不同应用场景，使用者往往需要
4、根据网络架构，基于深度学习的目标检测算法可以分为两类：基于卷积神经网络架构的目标检测算法和基于transformer网络架构的目标检测算法。基于卷积神经网络架构的目标检测算法又可以分为单阶段目标检测算法和两阶段目标检测算法。最先出现的是两阶段目标检测算法，这类检测算法的典型特点就是把目标检测分为两个阶段进行，首先采用selective search算法从输入图像中提取约2000个候选框，然后通过cnn网络提取每一个候选框的特征图，并将提取到的特征输入到svm进行分类。经典的两阶段目标检测算法包括：r-cnn、fast r-cnn、faster r-cnn、mask r-cnn、cascade r-cnn等。虽然这种算法的检测精度较高，但是推理过程中产生的大量的候选框，导致模型计算量较大，检测速度较慢，无法满足实时性要求较高的应用场景。为了提高检测速度，redmon等人在2015年提出了一种单阶段目标检测算法，并将其命名为yolo(you only look once)。在接下来的几年里，yolov2～yolov10被接连提出，基于yolo系列的改进算法更是数不胜数。这类算法最大的优点就是，推理速度快、所需训练时间短、实时性强、参数量少，并且随着版本的更新迭代，检测精度也不断的提升，逐渐成为如今目标检测算法中最流行的算法之一。基于transformer网络架构的算法由于其并行计算能力强、长序列处理能力强等优点，最初大多用于自然语言处理。detr的问世才使得人们逐渐将transformer网络架构应用到目标检测领域，其中经典的算法有deformable-detr、sparse-detr、pnp-detr、re-detr等。但是detr系列网络结构普遍存在模型参数大、训练时间长、小目标的检测精度低等缺点。
5、海洋环境下的无人机图像普遍存在目标小、干扰大、环境复杂等问题。现有的模型在复杂海洋场景中往往表现不佳，容易出现误报或因干扰而忽略小目标，并且缺乏针对海上小目标检测的专用数据集。
6、如何实现基于深度学习算法进行海上无人机图像快速高精度的小目标检测，成为需要解决的技术问题。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种海上无人机图像的目标检测方法和电子设备，以解决当前目标检测算法在无人机图像中对小目标检测精度不高和参数量较大的问题。
2、本专利技术的目的可以通过以下技术方案来实现：
3、根据本专利技术的一个方面，提供了一种海上无人机图像的目标检测方法，该方法包括以下步骤：
4、步骤1，获取海上无人机图像；
5、步骤2，构建并训练目标检测网络模型，所述目标检测网络模型基于yolov5s模型改进得到，所述目标检测网络模型的主干网络包括在c3模块的基础上添加了cbam的c3cbam模块，颈部网络包括c3gs模块；所述c3gs模块将c3模块中的bottleneck子模块和卷积替换为gsconv子模块；
6、步骤3，将步骤1的海上无人机图像输入训练好的目标检测网络模型，输出目标检测结果。
7、优选地，所述目标检测网络模型的头部使用解耦合检测头，所述解耦合检测头将目标检测任务分解为两个独立的子任务：分类和定位。
8、优选地，所述目标检测网络模型的主干网络部分使用改进的空间金字塔池化结构，即simsppfcspc模块，所述simsppfcspc模块用cbr单元代替卷积。
9、更加优选地，所述的cbr单元包括卷积、批归一化层以及relu函数。
10、更加优选地，所述的simsppfcspc模块结合简化的快速空间金字塔池化simsppf和跨阶段局部网络csp，simsppf的输出结果与跨阶段局部网络csp相连，形成一个端到端的网络结构。
11、优选地，所述的c3cbam模块用于在特征提取过程中同时处理通道信息和空间信息。
12、优选地，所述目标检测网络模型的训练数据包括海洋环境下公开数据集的图像，以及无人机拍摄的真实海洋航拍图像，其中图像包括不同光照条件、不同拍摄距离和不同人体姿态的多种图像。
13、优选地，所述目标包括游船和人员。
14、优选地，所述gsconv子模块首先进行常规卷积，然后进行深度卷积，最后对两种卷积结果进行切片后，执行混洗操作以拼接相应的通道，从而允许常规卷积的信息渗透到深度卷积的结果中，以实现轻量化颈部网络。
15、根据本专利技术的另一个方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现所述的方法。
16、与现有技术相比，本专利技术具有以下有益效果：
17、1)本专利技术结合卷积注意力机制模块(cbam)对yolov5s主干网络中的c3模块进行改进，提出了新的c3cbam模块，提高捕获图像中空间信息和位置信息的能力，改善小物体位置丢失的问题，还能自适应地学习输入图像中不同区本文档来自技高网...
【技术保护点】
1.一种海上无人机图像的目标检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种海上无人机图像的目标检测方法，其特征在于，所述目标检测网络模型的头部使用解耦合检测头，所述解耦合检测头将目标检测任务分解为两个独立的子任务：分类和定位。
3.根据权利要求1所述的一种海上无人机图像的目标检测方法，其特征在于，所述目标检测网络模型的主干网络部分使用改进的空间金字塔池化结构，即SimSPPFCSPC模块，所述SimSPPFCSPC模块用CBR单元代替卷积。
4.根据权利要求3所述的一种海上无人机图像的目标检测方法，其特征在于，所述的CBR单元包括卷积、批归一化层以及ReLU函数。
5.根据权利要求3所述的一种海上无人机图像的目标检测方法，其特征在于，所述的SimSPPFCSPC模块结合简化的快速空间金字塔池化SimSPPF和跨阶段局部网络CSP，SimSPPF的输出结果与跨阶段局部网络CSP相连，形成一个端到端的网络结构。
6.根据权利要求1所述的一种海上无人机图像的目标检测方法，其特征在于，所述的C3CBAM
7.根据权利要求1所述的一种海上无人机图像的目标检测方法，其特征在于，所述目标检测网络模型的训练数据包括海洋环境下公开数据集的图像，以及无人机拍摄的真实海洋航拍图像，其中图像包括不同光照条件、不同拍摄距离和不同人体姿态的多种图像。
8.根据权利要求1所述的一种海上无人机图像的目标检测方法，其特征在于，所述目标包括游船和人员。
9.根据权利要求1所述的一种海上无人机图像的目标检测方法，其特征在于，所述GSConv子模块首先进行常规卷积，然后进行深度卷积，最后对两种卷积结果进行切片后，执行混洗操作以拼接相应的通道，从而允许常规卷积的信息渗透到深度卷积的结果中，以实现轻量化颈部网络。
10.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～9中任一项所述的方法。
...【技术特征摘要】
1.一种海上无人机图像的目标检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种海上无人机图像的目标检测方法，其特征在于，所述目标检测网络模型的头部使用解耦合检测头，所述解耦合检测头将目标检测任务分解为两个独立的子任务：分类和定位。
3.根据权利要求1所述的一种海上无人机图像的目标检测方法，其特征在于，所述目标检测网络模型的主干网络部分使用改进的空间金字塔池化结构，即simsppfcspc模块，所述simsppfcspc模块用cbr单元代替卷积。
4.根据权利要求3所述的一种海上无人机图像的目标检测方法，其特征在于，所述的cbr单元包括卷积、批归一化层以及relu函数。
5.根据权利要求3所述的一种海上无人机图像的目标检测方法，其特征在于，所述的simsppfcspc模块结合简化的快速空间金字塔池化simsppf和跨阶段局部网络csp，simsppf的输出结果与跨阶段局部网络csp相连，形成一个端到端的网络结构。
6.根据...
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。