[发明专利]基于无人机与英伟达开发板的目标检测方法、系统及装置

说明书

本发明公开一种基于无人机与英伟达开发板的目标检测方法、系统及装置，方法包括：构建改进型YOLO v4‑tiny模型；所述改进型YOLO v4‑tiny模型包括：初始卷积模块、第一沙漏型池化模块、第二沙漏型池化模块、第三沙漏型池化模块、第一池化特征增强模块、第二池化特征增强模块、拼接模块、第一输出模块和第二输出模块；利用训练集对改进型YOLO v4‑tiny模型进行训练，获得最终目标检测模型；利用视频采集卡获取无人机机载摄像头采集的视频流；将视频流输入至部署在英伟达开发板上的最终目标检测模型进行目标检测，输出目标检测结果。本发明通过改进型YOLO v4‑tiny模型既实现了无人机视频流实时检测，又通过地面设备解决了目标检测网络的计算能力受限的问题。

技术领域

本发明涉及图像目标检测技术领域，特别是涉及一种基于无人机与英伟达开发板的目标检测方法、系统及装置。

背景技术

基于深度学习的目标检测是图像处理领域的重要研究方向，主要包括两个方向，双阶段目标检测和单阶段目标检测。

双阶段目标检测的准确率更好，适用于对检测的精细度较高的场景。但其高准确率是以计算量为代价的，两阶段的目标检测网络通常具有较大的网络参数，更适合部署在高性能计算机上，并不适用于本发明。

单阶段目标检测牺牲了部分准确率，达到了准确率与实时性的均衡。当前基于无人机的目标检测主要采取单阶段的目标检测。但当前较为主流的单阶段目标检测算法，如YOLO，SSD等，仍需要较大计算量，无法直接将其应用至无人机，因此，目前一些发明通过无人机采集图像，然后在高性能计算设备上来对图像进行处理，检测效率较低，极大的限制了无人机在实际中的应用。

目前，计算机视觉领域主流的单阶段目标检测算法为YOLO v4。与YOLO v3相比，YOLO v4采用了mish激活函数，SPP(Spatial Pyramid Pooling)-YOLO，PANet(PathAggregation Network)等技术，模型性能整体优于YOLO v3。YOLO v4-tiny是基于YOLO v4提出的最新的轻量级目标检测算法。该算法通过卷积神经网络对输入图像进行特征提取，得到一系列不同尺寸的预测框，并输出对应预测框的尺寸。最后根据预测框的概率进行非最大抑制，画出最终的检测框。由于该算法是为移动设备设计的，神经网络设计的较浅，模型的参数量为6.817BFLOPs，权重文件为23.7Mb。这种设计方案虽然可以大幅度提升模型的实时性，但由于未采用任何神经网络的训练技巧，因此模型的准确率损失较大。模型整体仅级联了三个不同尺度的CSPNet，这使得模型对不同尺度的目标搜索范围较大，同时也降低了模型对目标的敏感度。

中国专利文献《一种基于YOLO v3的无人机视角下的小目标快速检测方法》一文中公开了一种无人机与目标检测结合的方法，包括获取图像、建立小目标检测网络、网络训练、网络剪枝四个步骤。该方法为无人机视角下的小目标检测提供了新思路，但模型采用的是YOLO v3-tiny，与本专利的YOLO v4-tiny在准确度和实时性上均有差距。此外，该方法并未实现无人机视频流的实时检测，这也限制了该方法的实际应用。

中国专利文献《一种无人机低空目标精准检测识别方法》一文提出了基于全卷积网络的无人机图像的目标检测识别方法。该方法将无人机与现实世界相结合，建立了相机成像坐标系，可提升不同尺度目标的识别精度。但该方法并未搭载至无人机，也并未实现实时的目标检测。

中国专利文献《一种机载图像无人机目标自适应检测方法》一文提出将无人机机载计算机搭载目标检测网络进行实时检测的方法。该方法包括预训练初始模型、预训练检测模型、加载模型至无人机机载计算机三个步骤。该方法实现了无人机视频流的实时检测，但由于机载无人机计算能力有限，目标检测网络的实时性可能会受到影响。此外，机载计算机会增加无人机的负载；且机载无人机的目标检测计算功率较大，这些因素都会影响到无人机续航，限制了在现实中的应用。