本發(fā)明屬于計算機視覺、圖像處理領(lǐng)域，具體涉及一種基于改進yolov8的無人機航拍圖像目標(biāo)檢測方法。
背景技術(shù)：
：1、隨著無人機技術(shù)的快速發(fā)展，無人機航拍在各個領(lǐng)域的應(yīng)用越來越廣泛，如農(nóng)業(yè)植保、災(zāi)區(qū)救援、軍事偵察等。在這些應(yīng)用中，對無人機航拍圖像中的目標(biāo)進行快速、準確、實時的檢測是至關(guān)重要的。目標(biāo)檢測是計算機視覺領(lǐng)域的一個重要研究方向，其在無人機航拍圖像中的應(yīng)用尤為重要。實時、準確地檢測無人機航拍圖像中的目標(biāo)是許多實際應(yīng)用的基礎(chǔ)，如自動跟蹤、避障等。然而，由于無人機航拍圖像的動態(tài)性、視角變化和目標(biāo)大小變化等問題，使得目標(biāo)檢測面臨許多挑戰(zhàn)。2、目前，在目標(biāo)檢測領(lǐng)域，基于深度學(xué)習(xí)的目標(biāo)檢測方法占據(jù)主導(dǎo)地位，yolo系列算法以其高效性和準確性受到了廣泛關(guān)注。特別的，雖然現(xiàn)有基于yolov8的方法實現(xiàn)了高效的無人機航拍圖像目標(biāo)檢測，但在面對復(fù)雜場景下目標(biāo)遮擋、截斷、模糊、密度高等尖銳的問題下，目標(biāo)檢測任務(wù)變得尤為困難，容易出現(xiàn)漏檢和錯檢。因此，如何進一步優(yōu)化基于yolo系列的無人機航拍圖像目標(biāo)檢測方法，提高其準確性和實時性，仍然是當(dāng)前研究的熱點和難點。技術(shù)實現(xiàn)思路1、本發(fā)明提供一種基于改進yolov8的無人機航拍圖像目標(biāo)檢測方法，旨在解決現(xiàn)有技術(shù)中不完整目標(biāo)漏檢，小目標(biāo)檢測困難問題。2、具體方案包括：3、s1.采集無人機航拍圖像并進行預(yù)處理得到預(yù)處理圖像集；4、s2.在yolov8網(wǎng)絡(luò)中引入bifpn網(wǎng)絡(luò)，添加小目標(biāo)檢測分支和專用小目標(biāo)檢測頭，并采用t-c2f結(jié)構(gòu)模塊替換yolov8網(wǎng)絡(luò)中的c2f模塊，得到目標(biāo)檢測模型；5、s3.將預(yù)處理圖像輸入目標(biāo)檢測模型得到初步檢測結(jié)果，對初步檢測結(jié)果進行后處理得到檢測結(jié)果；采用預(yù)處理圖像集訓(xùn)練目標(biāo)檢測模型；6、s4.根據(jù)檢測結(jié)果計算損失并反向傳播訓(xùn)練模型參數(shù)；7、s5.采用s4得到的目標(biāo)檢測模型進行無人機航拍圖像目標(biāo)檢測。8、進一步的，t-c2f結(jié)構(gòu)模塊包括級聯(lián)的第一cbs層、split層、bottle模塊、concat層、transformer層和第二cbs層，bottle模塊包括n個級聯(lián)的bottleneck層；第一cbs層、split層和n個bottleneck層均與concat層殘差連接。9、進一步的，transformer層包括2個特征提取模塊和1個contraction層；每個特征提取模塊均包括級聯(lián)的contraction層、mhsa層和expansion層，且特征提取模塊的輸入與expansion層的輸出拼接融合后形成特征提取模塊的輸出。10、進一步的，所述目標(biāo)檢測模型包括backbone模塊、neck模塊和head模塊，其中：11、backbone模塊包括逐層連接的第一conv層、第二conv層、第一t-c2f結(jié)構(gòu)模塊、第三conv層、第二t-c2f結(jié)構(gòu)模塊、第四conv層、第三t-c2f結(jié)構(gòu)模塊、第五conv層、第四t-c2f結(jié)構(gòu)模塊和sppf層；12、neck模塊采用bifpn網(wǎng)絡(luò)，并通過雙向跨層直連方式在bifpn網(wǎng)絡(luò)中加入小目標(biāo)檢測分支，進一步引入更淺層特征；13、head模塊包括檢測頭1、檢測頭2、檢測頭3和專用小目標(biāo)檢測頭。14、進一步的，neck模塊包括逐層連接的第一上采樣層、第一concat層、第五t-c2f結(jié)構(gòu)模塊、第二上采樣層、第二concat層、第六t-c2f結(jié)構(gòu)模塊、第三上采樣層、第三concat層、第七t-c2f結(jié)構(gòu)模塊、第六conv層、第四concat層、第八t-c2f結(jié)構(gòu)模塊、第七conv層、第五concat層、第九t-c2f結(jié)構(gòu)模塊、第八conv層、第六concat層、第十t-c2f結(jié)構(gòu)模塊；15、其中，第五t-c2f結(jié)構(gòu)模塊與第五concat層相連，第六t-c2f結(jié)構(gòu)模塊與第四concat層相連；第二t-c2f結(jié)構(gòu)模塊與第四concat層跳躍相連，第三t-c2f結(jié)構(gòu)模塊與第五concat層跳躍相連。16、進一步的，專用小目標(biāo)檢測頭包括級聯(lián)的注意力機制層、錨框旋轉(zhuǎn)層、可變形卷積層和1×1卷積層。17、進一步的，所述注意力機制層包括級聯(lián)的gap層、第一conv2d層、第一bn+sigmoid層、upsample層、第二conv2d層和第二bn+sigmoid層；注意力機制層的輸入與第二bn+sigmoid層的輸出拼接融合后形成注意力機制層的輸出。18、進一步的，預(yù)處理過程包括：19、s11.采用中值濾波方式對無人機航拍圖像進行去噪處理，得到去噪圖像；20、s12.采用直方圖均衡化對去噪圖像進行對比度增強，得到增強圖像；21、s13.將增強圖像由rgb圖像格式轉(zhuǎn)換為yuv色彩空間，得到預(yù)處理圖像。22、本發(fā)明的有益效果：23、本發(fā)明引入transformer編碼器構(gòu)建深層語義理解單元，使得特征點能夠捕獲長距離的特征依賴，從而獲取豐富的上下文信息。這增強了網(wǎng)絡(luò)對場景復(fù)雜下不完整目標(biāo)的理解，有效改善了目標(biāo)遮擋、模糊等情況下的檢測效果。24、本發(fā)明通過在簡化的panet方案基礎(chǔ)上添加跳躍連接，融合更多特征，使網(wǎng)絡(luò)能夠同時捕捉到不同大小的目標(biāo)，提高了對目標(biāo)尺度變化的魯棒性。25、本發(fā)明為進一步提高算法對小尺度目標(biāo)的檢測能力，新增了一個小目標(biāo)分支，并設(shè)計了一個專用小目標(biāo)檢測頭。該檢測頭通過注意力機制抑制背景信息，并通過錨框旋轉(zhuǎn)網(wǎng)絡(luò)和可變形卷積來更精準地描述目標(biāo)位置信息，同時利用解耦檢測頭將分類任務(wù)和回歸任務(wù)解耦，有效提升小目標(biāo)檢測性能。技術(shù)特征：1.一種基于改進yolov8的無人機航拍圖像目標(biāo)檢測方法，其特征在于，包括以下步驟：2.根據(jù)權(quán)利要求1所述的一種基于改進yolov8的無人機航拍圖像目標(biāo)檢測方法，其特征在于，t-c2f結(jié)構(gòu)模塊包括級聯(lián)的第一cbs層、split層、bottle模塊、concat層、transformer層和第二cbs層，bottle模塊包括n個級聯(lián)的bottleneck層；第一cbs層、split層和n個bottleneck層均與concat層殘差連接。3.根據(jù)權(quán)利要求2所述的一種基于改進yolov8的無人機航拍圖像目標(biāo)檢測方法，其特征在于，transformer層包括2個特征提取模塊和1個contraction層；每個特征提取模塊均包括級聯(lián)的contraction層、mhsa層和expansion層，且特征提取模塊的輸入與expansion層的輸出拼接融合后形成特征提取模塊的輸出。4.根據(jù)權(quán)利要求1所述的一種基于改進yolov8的無人機航拍圖像目標(biāo)檢測方法，其特征在于，所述目標(biāo)檢測模型包括backbone模塊、neck模塊和head模塊，其中：5.根據(jù)權(quán)利要求4所述的一種基于改進yolov8的無人機航拍圖像目標(biāo)檢測方法，其特征在于，neck模塊包括逐層連接的第一上采樣層、第一concat層、第五t-c2f結(jié)構(gòu)模塊、第二上采樣層、第二concat層、第六t-c2f結(jié)構(gòu)模塊、第三上采樣層、第三concat層、第七t-c2f結(jié)構(gòu)模塊、第六conv層、第四concat層、第八t-c2f結(jié)構(gòu)模塊、第七conv層、第五concat層、第九t-c2f結(jié)構(gòu)模塊、第八conv層、第六concat層、第十t-c2f結(jié)構(gòu)模塊；6.根據(jù)權(quán)利要求1所述的一種基于改進yolov8的無人機航拍圖像目標(biāo)檢測方法，其特征在于，專用小目標(biāo)檢測頭包括級聯(lián)的注意力機制層、錨框旋轉(zhuǎn)層、可變形卷積層和1×1卷積層。7.根據(jù)權(quán)利要求6所述的一種基于改進yolov8的無人機航拍圖像目標(biāo)檢測方法，其特征在于，所述注意力機制層包括級聯(lián)的gap層、第一conv2d層、第一bn+sigmoid層、upsample層、第二conv2d層和第二bn+sigmoid層；注意力機制層的輸入與第二bn+sigmoid層的輸出拼接融合后形成注意力機制層的輸出。8.根據(jù)權(quán)利要求1所述的一種基于改進yolov8的無人機航拍圖像目標(biāo)檢測方法，其特征在于，預(yù)處理過程包括：技術(shù)總結(jié)本發(fā)明屬于計算機視覺、圖像處理領(lǐng)域，具體涉及一種基于改進YOLOv8的無人機航拍圖像目標(biāo)檢測方法，包括采集無人機航拍圖像并進行預(yù)處理得到預(yù)處理圖像集；在YOLOv8網(wǎng)絡(luò)中添加小目標(biāo)檢測分支和專用小目標(biāo)檢測頭，并采用T?C2F結(jié)構(gòu)模塊替換YOLOv8網(wǎng)絡(luò)中的C2F模塊，得到目標(biāo)檢測模型；將預(yù)處理圖像輸入目標(biāo)檢測模型得到初步檢測結(jié)果，對初步檢測結(jié)果進行后處理得到檢測結(jié)果；采用預(yù)處理圖像集訓(xùn)練目標(biāo)檢測模型；根據(jù)檢測結(jié)果計算損失并反向傳播訓(xùn)練模型參數(shù)；采用目標(biāo)檢測模型進行無人機航拍圖像目標(biāo)檢測；本發(fā)明提升了對小目標(biāo)檢測的性能。技術(shù)研發(fā)人員：李校林,馬立順,劉大東,宋耀輝受保護的技術(shù)使用者：重慶水淇數(shù)智科技有限公司技術(shù)研發(fā)日：技術(shù)公布日：2025/1/2