(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210450029.4 (22)申请日 2022.04.27 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 丛玉华　何啸　王志胜　邢长达　 朱惠娟　朱娴　李昕露　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种针对无 人机端的轻量级目标检测方法 (57)摘要 本发明公开了一种针对无人机端的轻量级 目标检测方法， 首先， 采集无人机端航拍图像进 行标注得到数据集； 其次， 以YOLOX ‑tiny模型为 基准， 构建CSPBiA ‑YOLO模型； 然后， 通过采集到 的数据集对CSPBiA ‑YOLO模型进行训练； 最后， 采 用训练完成后CSPBiA ‑YOLO模型对航拍图像进行 检测。 本发 明能够有效的搭载在无人机端的嵌入 式设备上达到实时检测； 有效解决无人机航拍视 场大、 背景复杂多样、 目标分布不均、 尺度变化大 且小目标数量多， 导致对目标的检测难度加深的 问题。 权利要求书1页 说明书4页 附图1页 CN 114863298 A 2022.08.05 CN 114863298 A 1.一种针对无 人机端的轻量级目标检测方法， 其特 征在于， 包括以下步骤： (1)采集无 人机端航拍图像进行 标注得到数据集； (2)以YOLOX ‑tiny模型为基准， 构建CS PBiA‑YOLO模型； (3)通过采集到的数据集对CS PBiA‑YOLO模型进行训练； (4)采用训练完成后CS PBiA‑YOLO模型对航拍图像进行检测。 2.根据权利要求1所述的针对无人机端的轻量级目标检测方法， 其特征在于， 步骤(1) 所述数据集包含 行人、 自行车、 汽 车、 货车、 卡车、 三轮车、 敞篷电动车、 公共汽车及其它九个 类别。 3.根据权利要求1所述的针对无人机端的轻量级目标检测方法， 其特征在于， 步骤(2) 所述的CS PBiA‑YOLO模型包括： 特征提取网络： 依次包括三个卷积层、 一个跨阶段连接层、 一个卷积层、 一个跨阶段连 接层、 一个卷积层、 一个跨阶段连接层、 一个卷积层、 一个空间金字塔池化层、 一个跨阶段连 接层； 特征融合网络： 使用加权双 向特征金字塔网络， 将所述特征提取网络中各个跨阶段连 接层之后的特征层依次进 行注意力 层处理后作为加权双向特征金字塔网络的输入， 并在加 权双向特征金字塔网络中每次上采样和下采样的操作后进 行一次注意力层的处理， 最后得 到三个有效特 征层； 在得到的三个有 效特征层上使用解耦头结构， 每个有 效特征层都会先输入一个卷积层 进行通道调整， 再将其分为两个分支， 第一个分支进行两次卷积层处理再进行一次卷积处 理得到输出结果 1， 第二个分支进 行两次卷积层处理后再分为两个小分支， 两个小分支分别 进行卷积处理得到输出结果2和输出结果3， 将 输出结果 1、 输出结果2和输出结果3在通道维 度上进行堆叠处 理得到网络的输出。 4.根据权利要求1所述的针对无人机端的轻量级目标检测方法， 其特征在于， 所述步骤 (3)实现过程如下： 使用随机梯度下降法作 为优化器、 初始学习率设置为1e ‑2、 最小学习率为1e ‑4、 权值衰 减系数为5e ‑4、 学习率的动量设置为0.937、 网络共训练300个批次、 每次训练的样 本数量设 置为16、 学习率下降的方式为 余弦退火。 5.根据权利要求3所述的针对无人机端的轻量级目标检测方法， 其特征在于， 所述卷积 层包括深度可分离卷积、 批量标准 化、 SiLU激活函数。 6.根据权利要求3所述的针对无人机端的轻量级目标检测方法， 其特征在于， 所述跨阶 段连接层包括两个分支， 第一个分支先进行一次卷积层处理， 再将其进行两次卷积层的处 理再与两次卷积层处理前 的结果进行堆叠， 得到第一个分支的处理结果； 第二个分支只进 行一次卷积层的处理就与第一个分支的处理结果进行堆叠再进行一次卷积层的处理得到 最终结果。 7.根据权利要求3所述的针对无人机端的轻量级目标检测方法， 其特征在于， 所述注意 力层使用的是基于卷积块的注意力模块， 沿着通道和空间这两个维度依 次推断注意力图， 然后将注意力图与输入特 征图相乘进行自适应特 征优化。权　利　要　求　书 1/1 页 2 CN 114863298 A 2一种针对无人机端的轻量级目标 检测方法 技术领域 [0001]本发明属于目标检测领域， 具体涉及一种针对无 人机端的轻量级目标检测方法。 背景技术 [0002]近年来， 随着智能制造技术的不断提升， 在民用方面， 越来越多的无人机应用于城 市交通监管、 电力巡检、 农业保险工作等领域； 在军事上， 无人机可用于战场的侦察、 监视及 目标的搜索定位， 为作战提供有效信息的同时还能干扰敌方电子设备， 从而大大降低伤亡 率。 无人机具有成本低、 灵活性高、 操作简单、 体积小等优点， 可以弥补卫星和载人航空遥感 技术的不足， 催生了更加多元化的应用场景。 无人机影像的智能化分析处理不仅可以快速 高效地提取地物信息， 还能拓展无人机的场景理解能力。 目标检测技术能够自动化识别和 定位图像中目标， 这种技术可以增强弱人机交互下无人机的感知功能， 为其自主探测和飞 行提供基础的技术支持。 然而无人机由于航拍视场大、 背景复杂多样、 目标分布不均、 尺度 变化大且小目标数量多， 导致对目标的检测难度加深。 因此， 快速准确地识别航拍图像是实 现无人机融入社会发展的重要研究内容。 发明内容 [0003]发明目的： 本发明针对搭载在无人机设备上的嵌入式设备算力低、 识别精度低的 问题， 提供一种针对无 人机端的轻量级目标检测方法。 [0004]技术方案： 本发明提出了一种针对无人机端的轻量级 目标检测方法， 包括以下步 骤： [0005](1)采集无 人机端航拍图像进行 标注得到数据集； [0006](2)以YOLOX ‑tiny模型为基准， 构建CS PBiA‑YOLO模型； [0007](3)通过采集到的数据集对CS PBiA‑YOLO模型进行训练； [0008](4)采用训练完成后CS PBiA‑YOLO模型对航拍图像进行检测。 [0009]进一步地， 步骤(1)所述数据集包含行人、 自行车、 汽车、 货车、 卡车、 三轮车、 敞篷 电动车、 公共 汽车及其它九个 类别。 [0010]进一步地， 步骤(2)所述的CS PBiA‑YOLO模型包括： [0011]特征提取网络： 依次包括三个卷积层、 一个跨阶段连接层、 一个卷积层、 一个跨阶 段连接层、 一个卷积层、 一个跨阶段连接层、 一个卷积层、 一个空间金字塔池化层、 一个跨阶 段连接层； 所述卷积层包括深度可分离卷积、 批量标准化、 SiLU激活函数； 所述跨阶段连接 层包括两个分支， 第一个分支先进行一次卷积层处理， 再将其进行两次卷积层的处理再与 两次卷积层处理前 的结果进行堆叠， 得到第一个分支的处理结果； 第二个分支只进行一次 卷积层的处理就与第一个分支的处理结果进行堆叠再进行一次卷积层的处理得到最终结 果； [0012]特征融合网络： 使用加权双向特征金字塔网络， 将所述特征提取网络中各个跨阶 段连接层之后的特征层依次进 行注意力层处理后作为加权双向特征金字塔网络的输入， 并说　明　书 1/4 页 3 CN 114863298 A 3