摘要
在人工智能时代，无人机航拍技术可在物流、抢险、安防、农业等领域发挥十分重要的应用价值。相应的，针对无人机航拍图像的目标检测技术，是当前学术界的研究热点之一。无人机航拍图像的检测存在着目标尺度较小、背景复杂、算力有限等挑战，兼顾较好实时性和较高的检测精度比较困难。针对这些问题，本文对无人机航拍图像中的多尺度目标检测做了相应的研究，主要完成了以下三方面的工作: (1)针对无人机航拍图像，图像背景复杂，目标尺度变化大，导致网络在特征融合阶段损失部分特征信息的问题，改进了Yolov5网络，首先在Yolov5网络中引入了CBAM模块和C3TR模块来获取更丰富的特征信息。其次在Neck部分中增加了两层，来更好地融合获取到的特征信息，改进后的网络称作CC-Yolov5。最后在VisDrone2021数据集上做了一系列实验，mAP达到了34.2％,而参数量只增加了3.9M,同时在服务器上检测一幅图像的平均时间为0.023s,满足检测实时性的要求，提升了检测精度。 (2)针对无人机航拍图像中小目标占比较多，受输入图像分辨率较低的影响，小目标的分辨率会更低，在图像中的视觉信息太少的问题，在CC-Yolov5的基础上增加了SOCA模块，提高图像的分辨率，增强小目标的特征信息，然后更改CBAM模块的位置，提高检测性能，称作SC-Yolov5。最后在VisDrone2021数据集上进行训练和测试，其mAP在Yolov5m的基础上提升了13.3％,检测一幅图像的平均时间为0.022s,极大的提升了检测精度，且能够满足实时检测的要求。 (3)针对边缘计算设备NvidiaJetsonNano算力有限的问题，对SC-Yolov5进行了轻量化改进，首先将原本网络的Conv模块替换为了GhostConv模块，其次将网络的Backbone替换为了轻量化的网络ShuffleNetV2,使原本的SC-Yolov5的参数量由24.8M降低到了11.1M,GFLOPs由58.6降到了7.5,极大的降低了网络的复杂度，但代价是mAP降低了19.2％,但仍然有24.6％的检测精度，在边缘设备上检测一幅图像的平均时间为0.038s,能够在设备上无延迟、无阻碍的运行。
NETL