基于改进的YOLOv7“低慢小”目标识别分析.pdfVIP

JISUANJIKEXUEYUJISHU2025年第6期/数字技术与应用

计算机科学与技术JISUANJIKEXUEYUJISHU

基于改进的YOLOv7“低慢小”目标识别分析

■王俊康

低空慢速小目标（简称“低慢小”目标）对目标的识别面临目标尺寸小、特征不明显、背景

民航业安全运行的影响日益凸显，本文旨在实现复杂性高等问题，基于深度学习的视觉模型因其

“低慢小”目标识别方法，提高目标识别的准确高效、精确、非接触测量的优势，在此领域展现

性和效率，本文在YOLOv7算法基础上进行改进，出巨大的应用潜力，此类模型具有自我特征提取

引入ECA模块以增强模型对小目标的关注度，的能力，可以根据训练数据不断迭代、更新，对

并将原有的IoU损失函数替换为更适合小目标检物体的形变、位置变化以及遮挡等都具有较好的

测的NWD损失函数。实验结果表明，改进后的鲁棒性。当前，主流的基于深度学习的目标检测

YOLOv7算法在精确率、召回率以及mAP指标上均算法主要有R-CNN、YOLO系列、SSD等，较多

有显著提升，通过对比改进前与改进后YOLOv7的学者皆在该领域展开详细研究。例如，肖选杰等[5]

P-R曲线图可见，改进版YOLOv7的AP值明显高开发了一种结合全景相机与变焦吊舱信息融合的

于原版，进一步证明了其检测能力的优越性。检测与追踪策略，并创新性地引入了YOLOv4-

TCA算法；路琪等[6]对YOLOv5进行了改良，专

随着无人机技术的快速发展和普及，越来越多为小型旋翼无人机设计了一种目标检测算法，通

的无人机被用于航拍、物流等领域。同时，无人过增设小目标检测层来扩大浅层特征图的尺寸，

机的无序飞行也给民航安全带来了潜在威胁，相并采纳了Mosaic-SOD技术来强化数据集；Li等[7]

较于大目标和中目标，航拍小目标分辨率低、信设计了一种UAV-YOLOv5检测模型，该模型成功

息量较少、样本不均衡、数据集较少且对定位的融合了SwinTransformerV2与YOLOv5的优势，

精度要求高。“低慢小”目标是低空慢速小目标展现了出色的性能。综上所述，国内外研究学者

的简称[1]，传统的雷达和光学监测系统在面对这均对“低慢小”等相关领域展开了详细的研究，

[2-3]

类目标时，存在识别精度低、误报率高等问题。虽说算法模型得到了较大提升，但仍有部分问题。

常用的目标检测算法在面对小目标检测时效果会基于此，本文提出基于改进的YOLOv7检测算法，

骤降，其中YOLO系列算法作为目标检测领域常旨在之前的基础上提升“低慢小”目标的检测能力。

用算法，以其高效、快速的特点备受关注。对于

小目标检测而言，传统的YOLO算法仍存在一些二、目标检测算法介绍及改进

挑战，如目标尺寸小、特征不明显、易受背景干

扰等问题[4]，导致检测精度和效率有待提高。基（一）传统目标检测算法的缺陷

于以上问题，本文基于YOLOv7算法模型，通过传统的“低慢小”目标检测算法在一些特定

引入注意力机制和修改损失函数进行YOLOv7算应用场景下，面临许多挑战和缺陷，主要表现为：

法改进，提高“低慢小”目标的识别准确性和效率。