[发明专利]一种基于YOLOv5网络的无人机目标检测模型

说明书

本发明实施例提供了一种基于YOLOv5网络的无人机目标检测模型，该模型包括：主干模块，用于对输入图像进行多次下采样，得到多个不同尺度的特征图；颈部模块，用于基于主干模块得到的不同尺度的特征图进行多次上采样和特征融合，输出多个不同尺度的检测特征图，其中，相比原始的YOLOv5网络，颈部模块的输出增加一个相比于原始的YOLOv5网络中最大尺度的检测特征图更大的新检测特征图，并减少一个最小尺度的检测特征图；预测模块，用于根据颈部模块输出的多个检测特征图进行无人机目标预测，得到目标的预测位置信息和分类结果，其中，分类的类别包括无人机类和非无人机类。

技术领域

本发明涉及深度学习和视频监控领域，具体来说，涉及一种基于 YOLOv5网络的无人机目标检测模型。

背景技术

2015-2020年，我国民用无人机市场整体规模从24亿元预计增长到361亿元，年复合增长率为72％。在快速增长的无人机市场的背后，随之而来的是不断增长的低空安防隐患。

目前现有的低空安防方案大多是利用无线电探测技术对无人机进行检测，即通过频段来探测是否有无人机的出现，然后通过光电系统来对目标进行跟踪检测。对于那些保持静默飞行的无人机，无线电探测技术无法检测，通常需要额外通过雷达进行检测。若使用雷达探测静默飞行的无人机，一来成本太高，二来其庞大的体积限制部署环境。同时这些技术设备的安装使用都有严格的要求，无法满足快速部署的要求。此外该技术设备无法满足实时端到端输出，需要配合光电设备进行跟踪检测。这些缺点都无法满足实时快速准确的无人机检测要求。

然而随着人工智能技术的发展，现有的低空安防方案已经不能满足当前日益增长的低空安防需要，现在的低空安防急需一种端到端快速实时的检测方案，但现有的检测设备体积臃肿，部署条件苛刻，尤其是在城市里这种电磁环境复杂的环境下，检测精度被大幅度抑制，同时操作复杂，无法做到实时端到端输出。另外，由于无人机在高速低空飞行时，会带来密集目标的运动模糊，在无人机进行不同高度飞行，目标尺度变化较大导致检测效果不准确等问题，均给检测设备的优化带来了很大的负担。特别是飞行在空中的无人机距离检测设备一般较远，致使检测设备获取到的目标过于渺小，对微小目标的无人机的检测精度不高，若将检测设备结合人工智能技术、深度学习方法，以目标检测算法为基础进行优化以检测微小目标的无人机，又会为设备增加极大的计算量和成本。

因此，亟需一种既能降低检测设备体积大小并实现实时端到端输出，又能在保障检测精度的前提下，提高针对微小目标无人机的检测性能，同时，还能在一定程度上维持或降低相应计算量和成本的目标检测模型。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种基于 YOLOv5网络的无人机目标检测模型。

本发明的目的是通过以下技术方案实现的：

根据本发明的第一方面，提供一种基于YOLOv5网络的无人机目标检测模型，所述模型包括：主干模块，用于对输入图像进行多次下采样，得到多个不同尺度的特征图；颈部模块，用于基于主干模块得到的不同尺度的特征图进行多次上采样和特征融合，输出多个不同尺度的检测特征图，其中，相比原始的YOLOv5网络，颈部模块的输出增加一个相比于原始的 YOLOv5网络中最大尺度的检测特征图更大的新检测特征图，并减少一个最小尺度的检测特征图；预测模块，用于根据颈部模块输出的多个检测特征图进行无人机目标预测，得到目标的预测位置信息和分类结果，其中，分类的类别包括无人机类和非无人机类。

在本发明的一些实施例中，相比于原始的YOLOv5，在颈部模块增加了生成新检测特征图所需的分支网络。

在本发明的一些实施例中，相比于原始的YOLOv5网络，该模型的颈部模块首个上采样层的输入数据不流向路径聚合网络，并减少了生成最小尺度的检测特征图。