摘要
随着无人机技术的快速发展，小型消费级无人机在航拍、农业等领域得到了广泛应用，但是其在创造巨大应用价值的同时，也给空中交通、公共安全等领域的监管带来了巨大挑战。因此，作为无人机的监管的重要环节，对无人机目标的检测就成为了目前亟待解决的关键问题。基于深度学习的无人机目标检测技术具有效果好、成本低、易于部署等优点，因此被业界广泛采用。但是目前该领域还面临着缺乏高质量的数据集、检测精度低、复杂环境中漏检和误检情况较多等诸多问题，对此本文主要工作如下： 1.针对目前无人机数据集质量不高的问题，本文自建了蜂群无人机目标检测数据集。该数据集模拟了真实场景，包含有不同天气、时间、角度的数据，且每幅画面中有1到10架无人机。其采用PascalVOC格式标注，经过数据集目标尺度统计，其中有多数图像中的无人机目标占整幅图像的像素比低于0.1%。该数据集为学术研究提供了良好的数据支撑。 2.针对传统多尺度特征融合方法FPN存在着上采样失真、语义信息衰减、以及深层语义差异的问题，本文提出了一种基于RetinaNet网络的多尺度特征融合方法。该方法不仅构建了像素洗牌融合网络，还引入了深层语义增强模块，可在特征提取阶段提升小目标在网络浅层的特征表示效果，进而提升无人机小目标的检测性能。实验结果验证，引入新的特征融合方式之后，网络对无人机的检测性能有了明显提升。 3.针对无人机检测算法漏检和误检情况较多的问题，本文根据蜂群无人机个体之间相似性的特点，设计了一种新的多注意力网络，并探究了多注意力融合方式对检测效果的影响。该网络由通道注意力、空间长距离注意力、外部联系注意力、以及多注意力融合模块构成，以此建立无人机小目标与周围环境以及无人机群之间的语义关联，进而提升网络对蜂群无人机的检测性能。实验结果验证了该注意力模块的有效性。 4.最后本文设计了一套基于国产边缘智能平台的无人机检测系统，并在实际应用中检验了其有效性。
NETL