[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

本發明公開了一種基于深度學習的低空安防目標檢測方法與系統，本發明構建了用于低空安防目標檢測的AD?YOLOv5s模型，并對訓練好的模型進行優化加速以適用于嵌入式設備。本發明構建的AD?YOLOv5s模型在YOLOv5s模型基礎上進行了改進，在特征提取網絡中，引入ghost模塊，構建ghost?bottleneckCSP結構，并用其替換原始的bottleneckCSP結構，同時引入CBAM注意力模塊提高檢測精度；在特征融合網絡中，增加了上采樣操作以生成更大尺寸的特征圖，以及相應的PAN結構，以適合低空安防檢測微小目標的任務。與現有技術相比，本發明具有檢測精度高，實時性好，部署成本低等優點。

技術領域

本發明涉及目標檢測、深度學習技術領域，更具體地，涉及一種低空安防目標檢測方法與系統，可應用于低空安防領域。

背景技術

目前現有的低空安防方案大多是利用無線電探測技術對無人機進行檢測，無線電是通過頻段來探測是否有無人機的出現，然后通過光電系統來對目標進行跟蹤檢測。對于那些保持靜默飛行的無人機，無線電探測技術無法檢測，通常需要額外通過雷達進行檢測。

然而隨著人工智能技術的發展，現有的低空安防方案已經不能滿足當前日益增長的低空安防需要，現在的低空安防要求急需一種端到端快速實時的檢測方案，但現有的檢測設備體積臃腫，部署條件苛刻，尤其是在城市里這種電磁環境復雜的環境下，檢測精度被大幅度抑制，同時操作復雜，無法做到實時端到端輸出，因此基于人工智能技術的低空安防目標檢測應運而生。

針對小型低空民用無人機，目前較為常用的檢測方式仍為無線電、音頻、雷達和傳統的圖像等手段。無線電的方式可以快速定位無人機，但如果出現機載站與地面站同時換臺，也就是跳頻時，將會使得檢測精度降低，并且其部署成本高昂。使用音頻的方法，可以有效檢測那些噪聲大的無人機，但不適合低噪聲的無人機。雷達在檢測大尺寸無人機方面展現了出色的性能，但是雷達無法滿足檢測微小無人機的檢測需求，并且其部署成本高昂。傳統的圖像檢測方法，依賴于基于先驗知識和經驗的手工特征，難度大且效率低，所以其在速度與準確性方面可能不適用。

發明內容

發明目的：本發明目的在于提供一種基于深度學習的低空安防目標檢測方案，具有檢測精度高，實時性好，部署成本低等優點。

技術方案：為實現上述發明目的，本發明提供一種基于深度學習的低空安防目標檢測方法，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。