[发明专利]基于深度学习网络框架的无人机光学快速检测识别方法

权利要求书

1.一种基于深度学习网络框架的无人机光学快速检测识别方法，其特征在于所述方法步骤如下：

步骤一：针对五种无人机开展飞行试验采集光学成像实验数据，并按照标准VOC数据格式对采集的光学成像实验数据进行处理；

步骤二：搭建YOLO网络框架，利用残差网络模块对YOLO网络框架进行改进，对改进后的YOLO网络框架进行训练，得到检测识别模型，具体步骤如下：

(1)YOLO将输入图像分成13×13个格子，每个格子负责检测“落入”该格子的物体，每个格子的输出信息包含两大部分，分别是包含物体矩形区域信息的5个boundingbox信息以及C个物体属于某种类别的概率信息；

(2)搭建YOLO网络，网络包括24个卷积层和2个全连接层，卷积层用于提取图像特征，全连接层用于预测目标位置和类别概率；

(3)利用残差模块对YOLO网络进行改进，加入4处短路连接构成残差单元，4处残差单元部分梯度传播方式如下：

loss＝F(x_i,W_i)

式中，loss表示损失函数，x_i、W_i为网络第i层输入和第i层权重，损失函数表示为输入与权重的函数F(x_i,W_i)，x_L表示残差模块分流层输出，x_l表示残差模块合并处输出，第一个因子表示损失函数到达L层的梯度；

(4)对步骤(3)改进后的YOLO网络进行超参数设定，将初始学习率设置为0.0003，采用随机梯度下降法训练网络，得到检测识别模型；

步骤三：选取包含五种无人机的实拍飞行光学成像实验数据，利用步骤二所得的检测识别模型进行检测识别。

2.根据权利要求1所述的基于深度学习网络框架的无人机光学快速检测识别方法，其特征在于所述步骤(3)中，4处短路连接的具体位置如下：第3层池化层输出分流与第9层卷积层输出进行合并，第12层卷积层输出分流与第15层卷积层输出进行合并，第4层池化层输出分流与第18层卷积层输出进行合并，第19层卷积层输出分流与第22层卷积层输出进行合并。

3.根据权利要求1所述的基于深度学习网络框架的无人机光学快速检测识别方法，其特征在于所述步骤(4)中，随机梯度下降法训练网络的总共更新次数为50000。

4.根据权利要求1所述的基于深度学习网络框架的无人机光学快速检测识别方法，其特征在于所述步骤三中，利用步骤二所得的检测识别模型进行检测识别的方法如下：输入待测图像，通过卷积层提取特征，池化层缩小图像尺寸，最后通过全连接层输出目标位置预测值和目标类别概率预测值，目标类别概率最大值对应类别为识别的结果。