CN113807464B 基于改进yolo v5的无人机航拍图像目标检测方法 （东南大学）

号US2020160110A1,202WO2020187095A1,2020.09EP3852054A1,2021.07.LinlinZhu等.ImprovingYOLAttentionMechanismforDeteLiuTing等.ShipDetectionInternationalConferenceonAutomation,ControlandRoboticsEng基于改进YOLOV5的无人机航拍图像目标检本发明公开一种基于改进YOLOV5的无人机关数据集，然后在YOLOV5主干网络部分利用卷积层替换Focus模块中的切片层，接着利用Neck空航拍视角带来的目标杂散分布且目标占像素2类别标签的图像数据集，将带有类别标签的图像数据集划分为训练集和测试集，其中80%预处理后的特征图输入到改进的YOLOV5网络获取不同尺度的无人机航拍图像特征图；改(3)对步骤(2)得到的不同尺度的无人机航拍图像特征图，将其输入到改进的YOLOV5(4)对步骤(3)得到的不同尺度的张量数据，将其输入到改进的YOLOV5网络中的预测/0o-:,c将步骤(3)得到的不同尺度的张量数据输入到改进的YOLO32.根据权利要求1所述的基于改进YOLOV5的无人机将步骤(2)得到的多尺度图像特征图输入到改进的YOLOV5网络中3.根据权利要求1所述的一种基于改进YOLO采用平均精度作为衡量多标签图像检测精度的指标，平均4[0001]本发明涉及一种基于改进YOLOV5的无人机航拍图像目标检测方法，属于深度学[0004]针对无人机航拍特殊环境，基于YOLOV5的目标检测方法面临如下两个难题。第YOLOV5应用到无人机航拍图像目标检测领[0005]本发明的目的是针对YOLOV5应用到无人机航拍图像目标检测中存在的因检测目[0009](2)对步骤(1)得到的带有类别标签的图像数据集，进行预处并将预处理后的特征图输入到改进的YOLOV5网络获取不同尺度的无人机航拍图像特征5[0011](4)对步骤(3)得到的不同尺度的张量数据，将其输入到改进的YOLOV5网络中的[0023]将步骤(2)得到的多尺度图像特征图输入到改进的YOLOV5网络中的Neck部分，[0025]将步骤(3)得到的不同尺度的张量数据输入到改进的YOLOV5网络中的预测层部6算得到，即以precision和recall作为纵、横轴坐标的二维曲线，precision为准确率，[0042](2)对步骤(1)得到的带有类别标签的图像数据集，进行预处并将预处理后的特征图输入到改进的YOLOV5网络获取不同尺度的无人机航拍图像特征[0043](3)对步骤(2)得到无人机航拍图像特征图，将其输入到改进的YOLOV5网络中的量数据；[0044](4)对步骤(3)得到的图像不同尺度的张量数据，将其输入到改进的YOLOV5网络[0045](5)对步骤(4)得到的基于改进YOLOV5的无人机航拍图像的目标检测结果，利用7后将大小为304×304×3的特征图依次输入到2个卷积层模块,2个跨阶段局部网络模块(简可更好地利用主干网络输出的图像特征矩阵；最后将处理得到的3个不同尺度的张量数据视角带来的目标杂散分布且目标占像素比过小问题，将针对大目标的76*76*255的检测头8签不止一个，应采用的是和信息检索中类似的方法平均精度(MeanAveragePrecision，即以precision和recall作为纵、横轴坐标的二维曲线。一般来说，precision为准确率，[0062]实施方式的平台为Ubuntu18.04操作系统，开发环境为PyCharmCommunityYOLOV5比未改进的YOLOV5的泛化交并比值小，其目标框输出精度更高。图6为改进YOLO[0066]由此可以看出，本发明在提高识别准确率和特征提取性能