一种改进的无人机对地小目标检测方法

发布时间：2021-10-11 18:37

　　无人机拥有空中视野良好,可监测范围广等优势,被广泛地应用于实际的目标检测任务中,由于无人机距离地面较远,任务中频繁出现小型目标检测效果不佳,虚检率和漏检率较高的情况。针对以上问题,提出一种改进的无人机对地小目标识别方法。本文基于YOLOV3卷积神经网络,首先建立一个无人机航拍数据集,并使用维度聚类方法设计合适的锚框,其次将广义交并比应用于网络的坐标损失函数中,替代原本的和方差损失,最后将YOLOV3网络4倍降采样特征图与经过上采样的8倍降采样特征图进行拼接,建立新的4倍降采样的目标检测层。实验结果表明,相比于YOLOV3,应用广义交并比的网络的平均精确度均值提高了3.4%,应用改进的YOLOV3网络平均精确率均值提高了8.2%,其中行人类小目标的平均精确率提高了10.2%,改进的检测方法对无人机平台下的小目标检测效果有所提升。 

【文章来源】：电子设计工程. 2020,28(12)

【文章页数】：6 页

【部分图文】：

测试集检测结果

无人机室外检测结果

YOLOV3的网络主干Darknet53共包含53个卷积层（不包含残差结构中的2个卷积层），大大提升了目标检测的准确性；YOLOV3在目标检测结构中引入了特征金字塔网络结构，进行多尺度检测[9],Darknet53共进行5次2倍下采样操作，在8倍、16倍和32倍下采样处输出3个不同尺寸的特征图，高层特征图经过上采样后与低层特征图进行融合，在3个尺度上划分S×S的单元格，分别进行目标检测；与多尺度检测相适应，YOLOV3为每个尺度预先设定3个锚框，一共使用9个锚框。2 目标检测评价标准

【参考文献】：
期刊论文
[1]基于深度学习的目标检测算法研究进展[J]. 谢娟英,刘然.  陕西师范大学学报(自然科学版). 2019(05)
[2]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌.  光学学报. 2019(07)
[3]基于改进损失函数的YOLOv3网络[J]. 吕铄,蔡烜,冯瑞.  计算机系统应用. 2019(02)
[4]无人机作战平台的智能目标识别方法[J]. 吕攀飞,王曙光.  激光与光电子学进展. 2019(07)
[5]基于YOLO网络模型的异常行为检测方法研究[J]. 刘雪奇,孙胜利.  电子设计工程. 2018(20)
[6]无人机航拍视频中的车辆检测方法[J]. 王素琴,施文豪,李兆歆,毛天露.  系统仿真学报. 2018(07)
[7]基于深度学习的多视窗SSD目标检测方法[J]. 唐聪,凌永顺,郑科栋,杨星,郑超,杨华,金伟.  红外与激光工程. 2018(01)
[8]基于YOLO v2的无人机航拍图像定位研究[J]. 魏湧明,全吉成,侯宇青阳.  激光与光电子学进展. 2017(11)

博士论文
[1]固定翼无人机地面车辆目标自动检测与跟踪[D]. 李大伟.中国科学院大学(中国科学院国家空间科学中心) 2017

硕士论文
[1]基于无人机视觉的输电线路安全距离巡检系统研究[D]. 李栋.广西大学 2016



本文编号：3431047