基于深度学习的无人机目标检测算法研究.pdfVIP

摘要

基于深度学习的无人机目标检测算法研究

无人机作为一种新兴的信息、物资传输工具，近年来发展迅速。随着无人机

应用技术的发展，利用无人机携带相机进行航拍跟踪，安防巡线，电路巡检以及

搜寻救援等任务也成为了可能。无人机目标检测作为无人机应用的重要一环，也

成为科学研究的热点话题。考虑到无人机机载处理器的算力限制及电力损耗及工

作环境等问题，嵌入无人机的目标检测算法需要满足算法参数少，内存消耗小以

及实时性高的要求。鉴于无人机的工作环境，目标物尺度变化较大，应用于无人

机的算法需要保证常规目标检测的同时兼顾小目标检测的性能。因此，如何在算

法模型简化的同时兼顾目标检测的性能，成为亟待解决的问题。

本文基于YOLOv4-tiny目标检测算法，融合“ThinkTwice”的思想，提出

了一种基于递归特征的RFPYOLOv4-tiny改进算法。该算法在满足轻量化，参数

少等需求的同时，也具有不错的检测精度，同时能够加强小目标检测的准确性。

本文主要研究内容如下：

(1)从基于深度学习的目标检测算法出发，就YOLO各版本的算法的模型结

构进行深入分析，并进行模型的优劣比对，从而选择更加适合嵌入无人机等移动

端的轻量化模型YOLOv4-tiny作为算法模型。经实验对比验证，作为嵌入无人机

设备的算法，YOLOv4-tiny具有更多的价值，同时为后续的算法改进提供了良好

的研究基础。

(2)针对目标检测的精度及小目标检测，本文提出了RFPYOLOv4-tiny算法。

算法分别就YOLOv4-tiny算法的主干提取网络、FPN环节进行改进。修改主干

网络为循环递归网络，以此实现特征的二次提取，加强语义表达。同时加入ASPP

作为特征转换，引入特征融合模块，构成RFPYOLOv4-tiny算法网络结构。通过

本文提出的改进方法，单张图像检测时间26ms，同时算法在目标物存在遮挡以

及小目标检测的情境下，均有不错的表现。

(3)针对目标检测算法的轻量化，本文提出基于深度可分离卷积的

RFPYOLOv4-tiny优化策略，用深度可分离卷积替换算法中的普通卷积，以此达

到模型简化的目的。轻量化后的模型较比RFPYOLOv4-tiny在参数量及运算速度

上均有不错的提升，为后续无人机目标检测算法的改进提供了参考。

关键词：

目标检测，深度学习，YOLOv4-tiny，递归特征金字塔，深度可分离卷积

Abstract

ResearchonthetargetdetectionalgorithmofUAVBasedondeep

learning

UAV,asanewtoolofinformationandmaterialtransmission,hasdeveloped

rapidlyinrecentyears.WiththedevelopmentofUAVapplicationtechnology,itis

possibletouseUAVtocarrycameraforaerialphotographing,securitylineinspection,

circuitinspectionandsearchandrescue.AsanimportantpartofUAVapplication,UAV

targetdetectionhasbeenahottopicinscientificresearch.Consideringtheconstraints

ofthecalculation,thepowerlossandworkingenvironmentoftheUAVairborne

processor,thetargetdetectionalgorithmembeddedinUAVneedstomee