[發明專利]一種基于YOLOv4的無人機場景檢測方法

在審

• 申請號: 202010921511.2
• 申請日: 2020-09-04
• 公開（公告）號: CN111985451A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 韓玉潔;曹杰;萬思鈺;劉琨
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 徐激波

本發明提供一種基于YOLOv4的無人機場景檢測方法，包括：S1、建立專有數據集；按照一定比例劃分訓練集和測試集；S2、建立網絡結構；S3、使用預訓練模型，并對預訓練模型進行特定訓練參數設定，得到訓練模型；S4、進行迭代訓練，直到損失函數收斂，得到無人機場景檢測模型；S5、使用測試集對模型進行測試，并且判斷是否符合要求，若不符合，繼續進行S4步驟，直到測試結果符合要求；S6、輸出符合要求的無人機場景檢測模型；S7、使用無人機場景檢測模型對序列圖像進行目標檢測。本發明與現有技術相比，占用內存小，平均交并比改進以后提升了5.26％，精確率比原版提升了3.30％，改進后的召回率提升了1.08％。

技術領域

本發明涉及無人機領域，特別是涉及一種基于YOLOv4的無人機場景檢測方法。

背景技術

無人機小巧靈活、視角廣闊，近幾年來在農業植保、災情檢測、安全防護、航拍視頻等方面有廣泛的應用。各種深度學習方案使目標識別的準確率和速度有極大發展，但目前目標識別的對象大多是平面視角的，無人機圖像中的目標尺度多變、尺寸較小、分辨率低，現有的模型無法直接應用在無人機圖像目標識別領域。以Faster-RCNN為代表的兩階段目標檢測框架需要的硬件資源比較多而且速度較慢，不適合實時性場景。

為解決無人機圖像中小目標多、像素低、多尺度和無人機硬件平臺資源有限、實時性高的難題，本發明基于YOLOv4網絡改進訓練一種基于無人機圖像的著陸場景多目標識別模型。

發明內容

有鑒于此，本發明的目的在于提供一種基于YOLOv4的無人機場景檢測方法，主要解決的問題是：現有的目標識別模型對無人機圖像中的尺度多變、尺寸較小、分辨率低的小目標檢測效果不好，難以判斷無人機所處場景的問題。

為實現上述的目的，本發明提供如下的技術方案：

本發明公開了一種基于YOLOv4的無人機場景檢測方法，包括：

S1、建立專有數據集；按照一定比例劃分訓練集和測試集；

S2、建立網絡結構，所述網絡結構基于改進的YOLOv4網絡，以CSPdarknet53作為主干網絡，空間金字塔池化模塊和路徑聚合網絡模塊作為頸部，YOLOV3作為頭部預測輸出；

S3、首先使用ImageNet大型數據集對S2步驟中得到的網絡結構進行訓練，得到預訓練模型，然后在對網絡結構進行特定訓練參數設定；

S4、使用訓練集對預訓練模型進行迭代訓練，直到損失函數收斂，得到無人機場景檢測模型；

S5、使用上述測試集對無人機場景檢測模型進行測試，并且判斷是否符合要求，若不符合，繼續進行S4步驟，繼續進行迭代訓練直到測試結果符合要求；

S6、輸出符合要求的無人機場景檢測模型；

S7、使用步驟S6中符合要求的無人機場景檢測模型對序列圖像進行目標檢測，并且識別出無人機所處場景。

進一步的，在所述步驟S1中，所述建立專有數據集，包括如下步驟：

S1.1、采集基礎數據樣本，所述基礎數據樣本，包括：截取自無人機拍攝視頻形成的圖片，以及截取自網絡上航拍數據集中的圖片；所述圖片包括：含有汽車、船只、操場、籃球場、橋梁、港口六種目標的圖片，以及不含有汽車、船只、操場、籃球場、橋梁、港口六種目標的圖片；

S1.2、對所述基礎數據樣本中的目標進行標簽，并將標簽處理為YOLO網絡所需要的格式，所述標簽包括：類別，中心點橫坐標，中心點縱坐標，目標寬度和目標長度；

S1.3、采用數據增強方法對經過標簽的圖片和未經過標簽的圖片進行擴充，得到專有數據集，所述專有數據集共有1000張圖片。

進一步的，在所述步驟S1中，所述訓練集和測試集的比例為：9:1。