[发明专利]无人机航拍场景中的目标检测系统、无人机航拍系统

说明书

本发明公开了一种无人机航拍场景中的目标检测系统、无人机航拍系统。为了解决现有技术中无人机航拍无法同时满足实时性和高精度的技术问题，本发明提出的神经网络中，包括主干网络、颈部网络和头部网络，其中主干网络包含了CBAM注意力机制模块和SiLU激活函数，这有助于提高了检测精度，同时全新的主干网络还减小了网络模型的参数量,大幅度提高了检测速度；结合航拍任务数据集VisDrone的特性，优化了先验框尺寸，使用了Mosaic、高斯模糊等数据增强方法，进一步提高了检测效果。本发明解决了无人航拍系统中的精度和实时性问题，实现了高精度和高实时性目标检测的技术效果。本发明适用于无人机航拍领域。

技术领域

本发明涉及一种目标检测系统及航拍系统，具体涉及一种无人机航拍场景中的目标检测系统、无人机航拍系统。

背景技术

随着无人机技术的普及，在环境勘测、道路交通流量监管、安全巡检、疫情防控等领域，利用无人机航拍实施远程监测已经屡现不鲜，且采取深度学习算法对图像中的物体目标进行识别标记，可以极大程度减轻人工负担，提高监测效率。现有技术中，两阶段检测方法是物体检测领域的主流方法，其中最具代表性的是R-CNN系列。与两阶段检测算法相比，单阶段检测方法可以同时预测物体的边界框和类别，因此速度优势明显，但精准度较低。对于单阶段检测方法，代表性的方案包括YOLO方案、SSD和RetinaNet。虽然即便如此，其网络参数规模和计算量，对常规无人机平台所能搭载的低功耗嵌入式计算平台也不够友好，难以满足实时性的需要。

更为轻量化的MobileNet系列、ShuffleNet系列方案虽然能够满足实时性能需要，却牺牲了精确率和查全率，面对航拍图像多物体小尺寸的目标检测场景不太适应。

此外，发明人发现，无人机航拍场景下的画面与主流的目标检测数据集存在明显差异：

(1)、无人机在复杂的城市中的场景航拍，航拍所处的地域不同，时间不同，会导致地面图像背景情况复杂多变，如同一场景不同天气与光照会导致目标的特征变化，容易对目标的检测造成干扰。

(2)、无人机在空中远距离拍摄的图像中目标通常较小、模糊，同时目标可能会存在大量重叠或遮挡现象。

(3)、视角具有特殊性，图像多数为无人机在空中以不同俯角对地面进行远距离拍摄，与常规数据集的水平视角近距离拍摄的图像不同，所以该数据集中的特征与常规数据集中的同类物的体特征会有着较大差异。

这些区别会导致最终的目标检测结果不理想，精度不高，难以满足实际应用需要。

鉴于此，提出适应针对航拍场景下的目标检测任务，既能满足实时性要求，又能保证精确度，是本领域亟需解决的技术问题。

发明内容

为了解决或缓解上述部分或全部技术问题，本发明是通过如下技术方案实现的：

一种无人机航拍场景中的目标检测系统，其包括图像采集系统和目标检测装置，所述目标检测装置被配置为根据图像采集系统在无人机飞行过程中所捕获的图像，执行目标检测方法；所述目标检测方法，具体为：目标检测装置接收目标采集系统所捕获的图像信息，并将其送入神经网络推理装置，神经网络推理装置上部署有神经网络，被用于根据输入信号和训练好的网络参数完成对输入信号的推理，获得推理结果，并通过输出装置输出。

在某类实施例中，该神经网络包括主干网络、颈部网络和头部网络。

在某类实施例中，所述的颈部网络和头部网络为YOLOv5神经网络的颈部网络和头部网络。