CN119495037A 一种无人机航拍下小目标的检测方法及检测系统 （浙江师范大学）

一种无人机航拍下小目标的检测方法及检本发明公开了一种无人机航拍下小目标的用无人机航拍数据集对改进的YOLOv8模型进行在颈部引入BiFPN，利用跨尺度连接和加权融合2双向特征金字塔网络BiFPN结构的节点计算P"是主干网络的第4层由下到上的输出，θ表示通过上采样或下采样操作匹配分辨3；LS模型训练模块：利用无人机航拍数据集对改进的YOLOv8模型进行训4检测模块：将待检测的无人机航拍图像输入至无人机航拍检测模型，获5带有两个卷积的CSP瓶颈C2f模块，用于特征提取；在颈部引入加权双向特征金字塔网络[0010]利用无人机航拍数据集对改进的YOLOv8模型进行训练，得到无人机航拍检测模67；1；的高层信息，增强细节特征；使用DyHead将注意力和检测头结合，提升检测头检测能力。DCD_YOLO相比基线模型YOLOv8n实现了0.407的mAP@0.5综合检测精度(在所有测试样本中，型能够达到约40.7％的平均精度)，相比基线模型提升21.9同时在轻量化上也具有优89[0061]利用无人机航拍数据集对改进的YOLOv8模型进行训练，得到无人机航拍检测模[0063]在一个而具体实施例中，基于YOLOv8n算法提出的改进模型(DCD_YOLO网络模型)加权双向特征金字塔模块BiFPN[11](bidirectionalfeaturepyramidnetwork)加强多尺度特征提取。添加上采样层增大特征图的分辨率；引入CGCA(contentguidedconvolutionandattention)模块结合浅层特征图和深层特征图缓解梯度消失问题,增强[0065]YOLOv8的C2f模块通过bottleneck的设计理念提高了模型的非线性表示能力，增接起来进行BN操作处理，使用逐点卷积融合不同通道信息,最后将生成的特征图与原始特此引入高效的加权双向特征金字塔模块BiFPN(bidirectionalfeaturepyramid[0073]引入的BiFPN结构如图4所示，在YOLOv8n的基础上在颈部添加1层上采样层得到5为:P"是主干网络的第4层由上而下的输入，P,"是指主干网络第4层由上而下的中间输出，是指主干网络第4层由下到上的输出，用通道洗牌操作进一步融合通道信息，利用3×3×3卷积提取特征，在全局分支中，采用；1；无人机航拍检测模型(DCD_YOLO)的泛化能力，选择使用PascalVOC07+12数据集进行模型0.010.01为早期的目标检测算法在无人机小目标检测方面表现较差。YOLOv5和YOLOv8作为Ultralytics公司前后推出的两个版本的YOLO系列网络，YOLOv8n在mAP@0.5和mAP@0.5_0.95达到了0.334和0.195,YOLOv8s在mAP@0.5和mAP@0.5_0.95达到了0.393和0.233,和模型参数量计算量取得了较好的平衡。YOLOv6n相较于YOLOv8n,YOLOv7Tiny相较于测模型)以2.9×106模型参数量和13.7×109的模型复杂度实现模型综合评价指标明提供的无人机航拍检测模型)在参数量比YOLOv8n小3.3％的情况下,在检测精度上优势PRmAP@0.5mAP@0.5_0.9519.12.57.19.123.84.2311.86.0413.338.111.128.52.07.77.221.42.78.27.1726.72.586.39.4221.32.913.7对比如表3所示，Faster_RCNN和Cascade_RCNN作为二阶段目标检测算法在mAP@0.5分别实段算法TOOD在mAP@0.5提升21.5％.RetinaNet和RTMDet在mAP@0.5分别实现了0.271和参数量和计算量远低于主流目标检测模型,检测精度优势巨大，能够胜任无人机小目标检[0123]具体的，为了证明本发明提出的在改进的BiFPN结构中加入P1层作为一个输入节[0124]实验结果如表4所示，添加P1层作为一个输入节点检测精度mAP@0.5提升1.5％,测精度mAP@0.5提升0.7％,mAP@0.5_0.95提升0.4P1层输入替换注意力PRmAP@0.5mAP@0.5_0.95Params/106FLOPs/1090.5210.3820.4010.2412.913.3√0.5110.4010.4070.2452.913.70.5120.3910.4040.2442.813.1√0.5110.4010.4070.2452.913.7示在YOLOv8n模型中使用CDR模块替换C2f模块,引入BiFPN结构和添加上采样层，以及使用DyHead替换YOLOv8n的原生检测头。从表5可知，轻量级注意力模块简单的无参注意力意力(DAttention)、挤压与激励注意力(SEA能，没有充分利用上下文信息，说明主流注意力模块对小目标检测的提升效果并不明显，CGCA融合模块在注意力模块的基础上加入上下文信息融合，检测精度mAP@0.5提升了PRmAP@0.5mAP@0.5_0.952.7713.22.9614.83.0814.7CBAM[3.0214.52.9614.53.0214.53.2214.72.9613.52.913.7和将检测头替换成DyHead检测精度在mAP@0.5分别提升到0.384和0.389，将上采样层与BaselineCDRBiFPNUpsampleCGCAFMDyHeadmAP@0.5mAP@0.5_0.95Params/106FLOPs/109√0.3340.19538.1√√0.3360.1962.958√√0.3410.200√√0.3820.2273.9714.8√√0.3380.1983.639.5√√0.3660.2163.499.6√√√0.3890.2324.3115.4√√√0.3840.2302.08√√√√0.3950.2372.82√√√√√0.4020.2422.7713.2√√√√√√0.4070.2452.913.7以看出，YOLOv8n在小目标，一些受遮挡区域和远景区域以及夜晚的检测效果比较差。而[0134]为了进一步验证本研究提出的DCD_YOLO的泛化性，分别将基线算法YOLOv8n和DCD_YOLO在PascalVOC07+12数据集上进行实验。从表7中可以看出DCD_YOLO在总体上比[0137