[發明專利]一種基于深度學習的低空安防目標檢測方法與系統

在審

• 申請號: 202210186976.7
• 申請日: 2022-02-28
• 公開（公告）號: CN114792390A
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 陳嘉琪;吳瑞康
• 申請（專利權）人: 河海大學
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/774;G06V10/82;G06V10/80;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 孟紅梅

1.一種基于深度學習的低空安防目標檢測方法，其特征在于，包括如下步驟：

構建用于低空安防目標檢測的AD-YOLOv5s模型，并利用無人機檢測數據集進行訓練；將訓練好的網絡模型進行優化加速；利用優化后模型對采集的圖像數據進行目標檢測；

其中AD-YOLOv5s模型在YOLOv5s模型基礎上進行改進，包括：在特征提取網絡中，引入ghost模塊，結合瓶頸結構以及CSP結構的思想，構建一個全新的模塊ghost-bottleneckCSP結構，并用其替換原始的bottleneckCSP結構，并在每一個ghost-bottleneckCSP結構前引入CBAM注意力模塊，利用通道注意力以及空間注意力完成對特征圖的加權提取；在特征融合網絡中，首先利用特征增強的方式對模型進行性能提升，具體操作為在兩次上采樣操作后多進行一次上采樣操作生成第四尺寸大小的特征圖，并新增一段從第四尺寸到第三尺寸大小的特征圖的PAN結構，刪除從第二尺寸到第一尺寸大小的PAN結構；在檢測頭結構中，刪除特征圖大小為第一尺寸的檢測頭，新增第四尺寸大小的檢測頭；其中第一尺寸至第四尺寸的大小依次增大。

2.根據權利要求1所述的基于深度學習的低空安防目標檢測方法，其特征在于，所述ghost-bottleneckCSP結構，將輸入分為兩個支路，其中一支經過一個標準的GBL模塊，隨后經過ghost-bottleneck結構，并利用批量歸一化操作減少內部協變量偏移，與另一只經過常規卷積的分支進行concat操作；其中標準的GBL模塊為ghost模塊+批量歸一化操作+Leaky Relu激活函數；ghost-bottleneck結構主要由兩個堆疊的ghost模塊組成，第一個ghost模塊用作擴展層，增加了通道數；第二個用于減少通道數，用以與直連路徑匹配；在第一個ghost模塊后面加入批量歸一化操作和Leaky Relu激活函數，第二個模塊只添加批量歸一化；經過兩個ghost模塊后，利用殘差結構與輸入進行特征疊加。

3.根據權利要求1所述的基于深度學習的低空安防目標檢測方法，其特征在于，所述CBAM注意力模塊通過采取全局平均池化操作以及全局最大池化操作，分別在通道維度以及空間維度上豐富提取的高層次特征，并在分別得到空間與通道的權重后加權至初始特征上，完成特征的雙重注意力調整。

4.根據權利要求1所述的基于深度學習的低空安防目標檢測方法，其特征在于，在特征融合網絡中，引入深度可分離卷積替換原始卷積操作。

5.根據權利要求1所述的基于深度學習的低空安防目標檢測方法，其特征在于，訓練模型用的無人機檢測數據集在現有的無人機檢測數據集UAV dataset上進行改進，刪除重復圖片，通過查閱公開數據來收集并標注包含無人機飛行的圖像，并進行數據增強以擴充數據集。

6.根據權利要求1所述的基于深度學習的低空安防目標檢測方法，其特征在于，將訓練好的AD-YOLOv5s模型通過TensorRT優化器進行優化加速。

7.根據權利要求1所述的基于深度學習的低空安防目標檢測方法，其特征在于，將優化加速后的模型部署在嵌入式設備上。