【技術實現步驟摘要】
本專利技術涉及計算機視覺和人工智能領域，更具體的說是涉及一種輕量化航空小目標識別方法及系統。
技術介紹
1、隨著深度學習的出現，目標檢測領域取得了重大進展，包括無人機、衛星等設備捕獲的航空圖像目標檢測在內的許多下游任務都采用深度學習方法。但航空圖像數據集不同于pascal?voc、ms?coco等數據集，航空圖像存在分辨率較高、大量小目標分散的分布在擁擠的對象區域中、光線變化劇烈等問題，這些問題對物體檢測的準確性造成了很大影響，故應用于pascal?voc、ms?coco等傳統數據集的目標檢測算法對航空小目標檢測數據集的檢測效果并不理想。
2、無人機遙感圖像中的目標檢測神經網絡方法需要具備對航空圖像特征的適應性，以滿足飛行后數據處理的需求，并提供高精度和召回率的結果。此外，模型還需要具有較小規模的參數，以在嵌入式硬件環境中實現實時處理。單階段和兩階段模型是目標檢測領域的兩種主要方法。兩階段模型的代表是r-cnn系列(包括r-cnn、fast?r-cnn、faster?r-cnn等)，這類模型的第一階段是生成一系列可能包含目標的候選區域，第二階段則對這些候選區域進行分類和邊界框的精細調整。you?only?look?once(yolo)是一種單階段目標檢測算法，相比于兩階段模型，yolo低延遲、易于訓練和部署、整體性思考的特點，讓其成為無人機系統中的主導算法。該算法以圖像作為輸入，在單個階段輸出對象的信息，其輕量級模型使得在無人機系統中實現實時目標檢測成為可能。
3、近年來，學者們在航空小目標檢測領域做了大
4、為提高航空小目標檢測的精度、減少特征信息損失，提出一個適用于航空小目標檢測數據集的高性能模型成為亟待解決的重要問題。
技術實現思路
1、有鑒于此，本專利技術提供了一種輕量化航空小目標識別方法及系統，能夠在復雜環境下實現模型的輕量化，同時提供更高的檢測精度和性能。
2、為了實現上述目的，本專利技術提供如下技術方案：
3、一種輕量化航空小目標識別方法，包括以下步驟：
4、s1、模型構建步驟：通過預設的無人機獲取航拍圖像，構建asod-yolo模型，并對獲取的航拍圖像進行預處理；
5、s2、模型訓練步驟：將s1中預處理后的航拍圖像分為訓練集、驗證集和測試集，通過訓練集和驗證集對asod-yolo模型進行訓練，通過測試集對asod-yolo模型進行測試；
6、s3、圖像檢測步驟：將待識別的航拍圖像輸入至s2中訓練和測試后的asod-yolo模型，得到待識別航拍圖像的檢測結果。
7、上述的方法，可選的，s1中的asod-yolo模型采用的是一種基于yolov8改進的算法，將yolov8中的fpn部分替換為low-gd結構，20×20的檢測頭替換為160×160的檢測頭，并改進多尺度跨層連接，引入快速傅里葉卷積模塊。
8、上述的方法，可選的，asod-yolo模型中引入gd機制，并且改進原有的自底向上特征融合機制，通過融合多級特征并將全局信息注入更高級別，實現更有效的信息交換。
9、上述的方法，可選的，low-gd結構具體為低階收集和分發分支選擇主干的b2、b3、b4、b5層特征進行融合，其收集和分發的過程對應于三個模塊：特征對齊模塊fam、信息融合模塊ifm和信息注入模塊inject。
10、上述的方法，可選的，low-gd結構還包括：
11、在low-fam中，采用avgpool操作來對輸入特征進行下采樣并實現統一的大小，將其他特征調整為與b4特征相同大小得到falign；low-ifm包括多層重參數化卷積塊和分割操作。
12、上述的方法，可選的，快速傅里葉卷積模塊將通道分為兩個并行分支，局部分支使用標準卷積來提取局部信息，而全局分支使用傅里葉單元來獲得全局上下文，最終將經過變換的局部和分支全局分支融合在一起。
13、上述的方法，可選的，還包括對s2中訓練和測試后的asod-yolo模型通過評價指標進行評價，評價指標包括平均精度、浮點運算量和參數量。
14、一種輕量化航空小目標識別系統，執行上述任一項的一種輕量化航空小目標識別方法，包括依次連接的模型構建模塊、模型訓練模塊、圖像檢測模塊；其中，
15、模型構建模塊，用于通過預設的無人機獲取航拍圖像，構建asod-yolo模型，并對獲取的航拍圖像進行預處理；
16、模型訓練模塊，用于將預處理后的航拍圖像分為訓練集、驗證集和測試集，通過訓練集和驗證集對asod-yolo模型進行訓練，通過測試集對asod-yolo模型進行測試；
17、圖像檢測模塊，用于將待識別的航拍圖像輸入至訓練和測試后的asod-yolo模型，得到待識別航拍圖像的檢測結果。
18、經由上述的技術方案可知，與現有技術相比，本專利技術公開提供了一種輕量化航空小目標識別方法及系統，具有以下有益效果：
19、(1)引入gatherand-distribute(gd)機制，并且改進了原有的自底向上特征融合機制，通過融合多級特征并將全局信息注入更高級別，實現了更有效的信息交換，增強了多尺度特征融合能力，提高模型在不同尺寸物體上的檢測性能；
20、(2)針對航空圖片目標普遍較小、包含很少像素的微小物體特征可能被忽略的問題，將原有的20×20的大目標檢測頭替換為160×160的小目標檢測頭，并改進多尺度跨層連接，增大head部分待檢測特征尺寸，降低從小目標中提取特征的難度，為檢測頭提供更加豐富的語義信息，加強模型對小目標特征的提取能力；
21、(3)為了應對主干網絡提取的目標特征往往會在過多的下采樣中失真或被本文檔來自技高網...
【技術保護點】
1.一種輕量化航空小目標識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種輕量化航空小目標識別方法，其特征在于，S1中的ASOD-YOLO模型采用的是一種基于YOLOv8改進的算法，將YOLOv8中的FPN部分替換為Low-GD結構，20×20的檢測頭替換為160×160的檢測頭，并改進多尺度跨層連接，引入快速傅里葉卷積模塊。
3.根據權利要求2所述的一種輕量化航空小目標識別方法，其特征在于，ASOD-YOLO模型中引入GD機制，并且改進原有的自底向上特征融合機制，通過融合多級特征并將全局信息注入更高級別，實現更有效的信息交換。
4.根據權利要求2所述的一種輕量化航空小目標識別方法，其特征在于，Low-GD結構具體為低階收集和分發分支選擇主干的B2、B3、B4、B5層特征進行融合，其收集和分發的過程對應于三個模塊：特征對齊模塊FAM、信息融合模塊IFM和信息注入模塊Inject。
5.根據權利要求3所述的一種輕量化航空小目標識別方法，其特征在于，Low-GD結構還包括：
6.根據權利要求2所述的一種輕量化
7.根據權利要求1所述的一種輕量化航空小目標識別方法，其特征在于，還包括對S2中訓練和測試后的ASOD-YOLO模型通過評價指標進行評價，評價指標包括平均精度、浮點運算量和參數量。
8.一種輕量化航空小目標識別系統，其特征在于，應用權利要求1-7任一項所述的一種輕量化航空小目標識別方法，包括依次連接的模型構建模塊、模型訓練模塊、圖像檢測模塊；其中，
...【技術特征摘要】
1.一種輕量化航空小目標識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種輕量化航空小目標識別方法，其特征在于，s1中的asod-yolo模型采用的是一種基于yolov8改進的算法，將yolov8中的fpn部分替換為low-gd結構，20×20的檢測頭替換為160×160的檢測頭，并改進多尺度跨層連接，引入快速傅里葉卷積模塊。
3.根據權利要求2所述的一種輕量化航空小目標識別方法，其特征在于，asod-yolo模型中引入gd機制，并且改進原有的自底向上特征融合機制，通過融合多級特征并將全局信息注入更高級別，實現更有效的信息交換。
4.根據權利要求2所述的一種輕量化航空小目標識別方法，其特征在于，low-gd結構具體為低階收集和分發分支選擇主干的b2、b3、b4、b5層特征進行融合，其收集和分發的過程對應于三個模塊：特征對齊...
【專利技術屬性】
技術研發人員：徐慧英，曹利，朱信忠，李毅，黃曉，謝剛，
申請(專利權)人：浙江師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。