本發(fā)明涉及無(wú)人機(jī)圖像目標(biāo)識(shí)別，特別涉及一種基于dd-yolo的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法。

背景技術(shù)：

1、無(wú)人機(jī)作為一種靈活便捷的圖像采集工具，已廣泛應(yīng)用于環(huán)境監(jiān)測(cè)、農(nóng)業(yè)、城市規(guī)劃等領(lǐng)域。然而，無(wú)人機(jī)航拍圖像中的目標(biāo)檢測(cè)仍面臨諸多挑戰(zhàn)。由于無(wú)人機(jī)通常在高空拍攝，圖像中的目標(biāo)往往較小且密集，此外，目標(biāo)間的遮擋也較為常見(jiàn)，這些因素都可能導(dǎo)致傳統(tǒng)目標(biāo)檢測(cè)算法出現(xiàn)錯(cuò)檢和漏檢現(xiàn)象。

2、目前，目標(biāo)檢測(cè)領(lǐng)域的主流方法主要基于深度學(xué)習(xí)，特別是卷積神經(jīng)網(wǎng)絡(luò)（cnns）。其中，yolo（you?only?look?once）系列算法憑借其檢測(cè)速度快、精度高的優(yōu)點(diǎn)，在實(shí)際應(yīng)用中獲得了廣泛關(guān)注。yolov8s是yolo系列的最新版本，具有較好的檢測(cè)性能和較高的計(jì)算效率。然而，直接應(yīng)用yolov8s進(jìn)行無(wú)人機(jī)圖像的目標(biāo)檢測(cè)，仍可能受到以下問(wèn)題的困擾：1.無(wú)人機(jī)通常在高空進(jìn)行拍攝，導(dǎo)致目標(biāo)在圖像中較小，傳統(tǒng)檢測(cè)方法難以捕捉小目標(biāo)的細(xì)節(jié)。2.無(wú)人機(jī)航拍的場(chǎng)景中，目標(biāo)物體往往密集排列，增加了目標(biāo)檢測(cè)的難度。3.密集場(chǎng)景下，物體間相互遮擋會(huì)導(dǎo)致目標(biāo)特征難以被準(zhǔn)確提取，從而影響檢測(cè)效果。4.盡管yolov8s在檢測(cè)性能上有所提升，但其較高的模型復(fù)雜度和計(jì)算資源需求限制了其在資源受限環(huán)境中的應(yīng)用。

3、針對(duì)上述問(wèn)題，現(xiàn)有技術(shù)已嘗試通過(guò)改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)等手段來(lái)提升模型性能。然而，這些改進(jìn)往往在提升檢測(cè)精度的同時(shí)，伴隨著模型復(fù)雜度和計(jì)算資源需求的增加。因此，如何在保證檢測(cè)精度的同時(shí)，簡(jiǎn)化模型結(jié)構(gòu)、減少計(jì)算資源需求，成為當(dāng)前無(wú)人機(jī)目標(biāo)檢測(cè)領(lǐng)域的重要研究方向。

4、基于此，本文提出了一種基于dd-yolov8的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法。通過(guò)引入深度卷積、可變形卷積及多種注意力機(jī)制，有效提升了模型的特征提取能力和檢測(cè)精度，并在減少模型參數(shù)量和計(jì)算復(fù)雜度的同時(shí)，顯著增強(qiáng)了對(duì)小目標(biāo)的檢測(cè)性能。實(shí)驗(yàn)結(jié)果表明，本方法在多個(gè)數(shù)據(jù)集上均取得了優(yōu)異的檢測(cè)效果，驗(yàn)證了其在實(shí)際應(yīng)用中的可行性和有效性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的發(fā)明目的在于提出了一種基于dd-yolo的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法，以解決無(wú)人機(jī)航拍圖像中目標(biāo)檢測(cè)所面臨的目標(biāo)小、密度高、遮擋嚴(yán)重以及模型復(fù)雜度高等問(wèn)題。該方法通過(guò)改進(jìn)yolov8s網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合可變深度卷積和多種注意力機(jī)制，提升模型的檢測(cè)精度和效率，具有廣泛的應(yīng)用前景。

2、為了實(shí)現(xiàn)以上目的，本發(fā)明所采用的技術(shù)方案包括以下步驟：

3、步驟1：部署待訓(xùn)練的模型環(huán)境并同時(shí)獲取公開(kāi)的無(wú)人機(jī)圖像數(shù)據(jù)集；

4、步驟2：設(shè)計(jì)dd-yolo的網(wǎng)絡(luò)架構(gòu)，建立dd-yolo輕量化無(wú)人機(jī)目標(biāo)檢測(cè)模型包括預(yù)處理部分、骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測(cè)頭部分；

5、步驟3：基于所述公開(kāi)數(shù)據(jù)集的訓(xùn)練集訓(xùn)練所述dd-yolo小目標(biāo)檢測(cè)模型，得到最優(yōu)小目標(biāo)檢測(cè)模型；

6、步驟4：將所述公開(kāi)數(shù)據(jù)集中的測(cè)試集對(duì)所述最優(yōu)小目標(biāo)檢測(cè)模型進(jìn)行性能評(píng)估，以確保模型滿足預(yù)定的準(zhǔn)確性和實(shí)時(shí)處理要求，最后輸出小目標(biāo)檢測(cè)結(jié)果以獲得無(wú)人機(jī)圖像中目標(biāo)的定位和分類。

7、所述步驟2建立dd-yolo檢測(cè)模型如下：

8、步驟s1：預(yù)處理部分，對(duì)數(shù)據(jù)集圖像進(jìn)行平移，縮放，mixup和使用mosaic數(shù)據(jù)增強(qiáng)方法，將多個(gè)圖像拼接為一張，增加了訓(xùn)練數(shù)據(jù)的多樣性。

9、步驟s2.1：所述骨干網(wǎng)絡(luò)(backbone)采用csp-darknet53網(wǎng)絡(luò)，通過(guò)conv模塊卷積提取輸入圖像的特征信息形成特征映射；

10、步驟s2.2：通過(guò)dwconv模塊和ddc2f模塊，先將基礎(chǔ)層的特征映射劃分為兩部分，然后通過(guò)跨階段層次結(jié)構(gòu)將它們合并；

11、步驟s2.3：通過(guò)注意力空間金字塔池化層(asppf)模塊，將骨干網(wǎng)絡(luò)(backbone)提取的特征進(jìn)行融合后傳入頸部網(wǎng)絡(luò)(neck)；

12、步驟s3.1：所述頸部網(wǎng)絡(luò)(neck)采用fpn-pan網(wǎng)絡(luò)，

13、步驟s3.2：通過(guò)添加一個(gè)四倍下采樣分支改進(jìn)頸部，增強(qiáng)了模型多尺度特征融合能力，減少了細(xì)節(jié)特征的丟失；

14、步驟s3.3：通過(guò)采用dwconv模塊和ddc2f模塊對(duì)篩選后信息進(jìn)行提取并傳遞給頭部網(wǎng)絡(luò)(head)；

15、步驟s4.1：所述頭部網(wǎng)絡(luò)(head)首先采用ciou作為邊界框回歸方式并采用增加一個(gè)160*160的高分辨率檢測(cè)頭來(lái)對(duì)頸部網(wǎng)絡(luò)(neck)的信息進(jìn)行預(yù)測(cè);

16、步驟s4.2：過(guò)使用非極大值抑制(nms)算法快速去除因?yàn)樯弦徊讲僮鞯玫降倪^(guò)多的冗余邊界框，最終得到檢測(cè)結(jié)果；

17、所述步驟4性能評(píng)估如下：

18、步驟s1：首先通過(guò)在公開(kāi)數(shù)據(jù)集中消融實(shí)驗(yàn)來(lái)驗(yàn)證各個(gè)改進(jìn)模塊的有效性；

19、步驟s2：通過(guò)對(duì)比試驗(yàn)來(lái)驗(yàn)證；

20、步驟s3：通過(guò)表格數(shù)據(jù)和可視化結(jié)果來(lái)直觀展現(xiàn)網(wǎng)絡(luò)的性能。

21、本發(fā)明具有以下有益效果及優(yōu)點(diǎn)：

22、（1）采用先對(duì)模型輕量化，確保不加劇模型參數(shù)運(yùn)算量的設(shè)計(jì)理念的前提下盡可能提升精度；

23、（2）使用多種注意力機(jī)制改造網(wǎng)絡(luò)的sppf網(wǎng)絡(luò)層，改造后的sppf層能夠動(dòng)態(tài)調(diào)整各個(gè)通道的重要性，關(guān)注特征圖的不同部分，聚合局部和全局特征，提供更全面的特征表示；

24、（3）針對(duì)檢測(cè)小目標(biāo)時(shí)尺度不一導(dǎo)致語(yǔ)義信息的丟失，添加四倍下采樣分支，增強(qiáng)深層語(yǔ)義信息與淺層語(yǔ)義信息的結(jié)合。

技術(shù)特征：

1.一種基于dd-yolo的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法，其特征在于包括以下步驟：步驟s1：部署待訓(xùn)練的模型環(huán)境；步驟s2：獲取公開(kāi)的無(wú)人機(jī)小目標(biāo)圖像數(shù)據(jù)集步驟；s3：設(shè)計(jì)dd-yolo的網(wǎng)絡(luò)架構(gòu)，構(gòu)建dd-yolo輕量化無(wú)人機(jī)目標(biāo)檢測(cè)模型；步驟s4：基于所述公開(kāi)數(shù)據(jù)集的訓(xùn)練集訓(xùn)練所述dd-yolo小目標(biāo)檢測(cè)模型，得到最優(yōu)小目標(biāo)檢測(cè)模型；步驟s5：將所述公開(kāi)數(shù)據(jù)集中的測(cè)試集對(duì)所述最優(yōu)小目標(biāo)檢測(cè)模型進(jìn)行性能評(píng)估，以確保模型滿足預(yù)定的準(zhǔn)確性和實(shí)時(shí)處理要求，最后輸出小目標(biāo)檢測(cè)結(jié)果以獲得無(wú)人機(jī)圖像中目標(biāo)的定位和分類。

2.如權(quán)利要求1中所述的一種基于dd-yolo的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法，其特征在于，所述dd-yolo的網(wǎng)絡(luò)架構(gòu)包括預(yù)處理部分、骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測(cè)頭部分。

3.如權(quán)利要求2中所述的一種基于dd-yolo的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法，其特征在于，所述預(yù)處理部分，是對(duì)數(shù)據(jù)集圖像進(jìn)行平移，縮放，mixup和使用mosaic數(shù)據(jù)增強(qiáng)方法，將多個(gè)圖像拼接為一張，增加了訓(xùn)練數(shù)據(jù)的多樣性。

4.如權(quán)利要求2中所述的一種基于dd-yolo的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法，其特征在于，所述骨干網(wǎng)絡(luò)，使用深度卷積替換普通卷積以及設(shè)計(jì)全新的模塊ddc2f，提出一種新的asppf（attention-sppf）結(jié)構(gòu)，由sppf、擠壓激勵(lì)注意力機(jī)制和多頭自注意力機(jī)制構(gòu)成。

5.如權(quán)利要求2中所述的一種基于dd-yolo的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法，其特征在于，所述頸部網(wǎng)絡(luò)，在fpn-pan中的添加了四倍下采樣分支，提高了小目標(biāo)的定位和識(shí)別準(zhǔn)確性。

6.如權(quán)利要求2中所述的一種基于dd-yolo的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法，其特征在于，所述檢測(cè)頭部分，采用了解耦頭結(jié)構(gòu)并采用了anchor-free目標(biāo)檢測(cè)方法，直接預(yù)測(cè)目標(biāo)中心點(diǎn)，減少預(yù)測(cè)數(shù)量，提高效率。

7.如權(quán)利要求1中所述的一種基于dd-yolo的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法，其特征在于，所述性能評(píng)估，通常以準(zhǔn)確率（precision）、召回率（recall）、平均精度值（meanaverage?precision，map）作為在無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)任務(wù)中學(xué)習(xí)能力的評(píng)價(jià)依據(jù)，計(jì)算公式如下：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于DD?YOLO的輕量化無(wú)人機(jī)目標(biāo)檢測(cè)方法，屬于無(wú)人機(jī)小目標(biāo)檢測(cè)領(lǐng)域，該檢測(cè)方法主要優(yōu)化無(wú)人機(jī)視野下小目標(biāo)的檢查能力，以解決檢測(cè)中所面臨的目標(biāo)小、密度高、遮擋嚴(yán)重及模型復(fù)雜等問(wèn)題。本發(fā)明融入深度卷積輕量化網(wǎng)絡(luò)模型，重構(gòu)殘差模塊，替換C2f中的BottleNeck，在簡(jiǎn)化網(wǎng)絡(luò)層級(jí)的同時(shí)增強(qiáng)骨干網(wǎng)絡(luò)的特征提取能力；其次引入SE、MHSA注意力機(jī)制，改造空間金字塔池化層，使模型能夠更全面地聚合局部和全局特征；在頸部網(wǎng)絡(luò)添加四倍下采樣分支以緩解對(duì)小目標(biāo)的感受野不足的問(wèn)題，提升提取小目標(biāo)關(guān)鍵特征能力。將改進(jìn)后的方法應(yīng)用于無(wú)人機(jī)小目標(biāo)檢測(cè)中，相較于原始YOLOv8s方法，具有精度高，參數(shù)量小，計(jì)算量低，計(jì)算速度快等優(yōu)勢(shì)。

技術(shù)研發(fā)人員：張攀峰,陳文強(qiáng),杜慧
受保護(hù)的技術(shù)使用者：桂林理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6