一种面向嵌入式边缘计算设备的反无人机目标检测方法.pdfVIP

IntelligentEquipment智能装备IM

一种面向嵌入式边缘计算设备的反无人机

目标检测方法

廖嘉仪

（上海大学，上海200444）

摘要：随着无人机技术广泛应用，其滥用带来的安全风险日益显著。而传统检测和预警技术成本高、易受干扰。深度学习

计算机视觉技术为无人机检测提供了高效、精准、低成本优势的新方案。然而，边缘设备上的无人机检测面临复杂背景、

目标小且快、运动模糊及精度与速度平衡等挑战，本文基于YOLOv8模型，针对边缘设备限制，引入轻量级动态上采样器

DySample加强特征融合，并应用三维注意力机制SimAM自适应调节特征权重，聚焦于目标区域，旨在提升无人机检测的

准确性和鲁棒性，有效应对边缘计算环境下的检测难题。在Det-Fly与TIBNet数据集实验数据表明，本文提出的方法分别

提升了4.5%、3.17%，且在边缘计算板中效果提升4.04%、4.34%，显著提升检测效率，满足实时反无人机检测的实际需要。

关键词：反无人机；嵌入式；边缘设备；目标检测；特征融合

中图分类号：TP391.41文献标志码：A

1引言易受噪声干扰等局限性，结果可靠性弱。

近年来深度学习发展迅速，基于计算机视觉的无人

随着工业技术的成熟，无人机逐渐成为主流，它们

机检测和监控已被证明是一种可行的解决方案，其具有

[1]

在各大领域得到了广泛应用。在民用领域，可以监控人

高效的检测速度和精准的检测精度，并且相对于传统检

流量，提高公共交通安全；在灾害监控领域，可以监控

测方式能够大大降低检测的成本。在边缘计算设备中应

灾害地点并引导救援人员开展救援活动；在军事领域可

用反无人机检测至关重要，它能够实时、高效地识别并

以对敌方无人机进行有效军事侦察与打击。然而，无人

应对潜在的无人机威胁，减少数据传输延迟，保护关键

机技术的滥用给关键基础设施和飞行安全带来了严重地区域免受非法侵入或监视，确保安全与隐私。在领域中

安全风险，尤其在军事重地，非法或无意入侵无人机严诸多学者在经典基础检测框架RCNN[3]、YOLO[4]上进行

[2][5]

重地影响了国家信息安全，故反无人机的检测和跟踪至改进，并取得了优秀的效果。褚昭晨等基于分块增强

关重要。然而大多数现有的检测和预警技术都基于雷达、特征提取，将无人机目标各部分特征分块处理，提取目

[6]

射频（RF）和声学传感器，这些技术往往存在成本高、标更细粒度的特征。于吉锴等通过引入差分卷积来减

投稿网站：2025年第2期·43

IM智能装备IntelligentEquipment

少模型尺寸，将深浅层特征进行融合，提升小目标检测

精度。Zhou[7]等为对抗复杂的环境合并SPP模块到初始

检测头以提升准确性并压缩网络。

然而在诸多研究下，基于边缘设备的无人机检测仍

存在一些难点，边缘设备视角下的无人机如图1所示，

①复杂的背景