摘要
无人机飞行作业在近几年来逐渐得到普及，但由于无人机飞行高度的原因，阻碍了无人机与目标检测算法结合的相关发展。本文针对小目标检测特征信息少、航拍实景图分辨率大以及无人机嵌入式设备内存和运算能力有限的特点，在 YOLOv5 算法的基础上对小目标检测算法和轻量化网络展开研究，主要研究内容如下： （1）提出基于特征融合与内容感知特征重组的目标检测方法，充分利用有限特征信息提升小目标检测能力。首先，利用基于 K-Means的优化聚类模块以减少聚类算法的随机性与人为影响因素；其次，在网络中利用浅层小目标特征进行融合操作实现小目标的有效定位；最后，利用内容转化与内容感知特征重组模块将空间信息转化到通道信息以实现下采样操作并保留完整的特征信息，再利用底层内容信息来预测不同位置的自适应和优化的重组内核，然后在预定义的附近区域内进行特征重组以实现上采样操作。实验结果表明，基于特征融合与内容感知特征重组的目标检测方法能有效提高小目标的检测精度。 （2）提出基于滑动窗口切割的航拍小目标检测方法来解决航拍图检测效果差的问题。将训练与测试的数据集进行滑动窗口切割预处理后再进行训练与预测，最后将所有子图预测结果进行拼接并绘制到航拍图像中，以提升航拍图的检测效果。实验结果表明，基于滑动窗口切割的航拍小目标检测方法能够大幅提升网络模型对小目标的检测精度，其中，对微小目标的检测效果提升尤为显著。 （3）为了解决无人机飞行设备的内部存储空间与计算芯片有限的问题，采用 GhostNet 和 ShuffleNet 两种轻量化网络对滑动窗口切割的航拍小目标检测模型进行参数量压缩，获取轻量化的检测网络。实验结果表明，基于 ShuffleNet 改进的轻量化网络能够实现少参数、小模型、高精确度的目标检测检测性能。 综上，本文在 YOLOv5 算法的基础上对小目标检测算法和轻量化网络展开研究，利用 F1 值与 mAP 值作为评价指标来验证改进方法的有效性。经过实验验证分析，本文提出的基于 YOLOv5 航拍视角下的小目标检测方法能够有效提升网络模型对小目标检测的精度，并实现网络的轻量化设计。
NETL