[发明专利]一种基于深度学习的无人机检测方法

说明书

本发明公开了一种基于深度学习的无人机检测方法，包括：数据收集；数据增强；构建深度卷积神经网络模型；模型训练；模型部署；模型应用。使用级联的卷积神经网络模型，添加了修正模块，使得在检测过程中只需要进行少量的人为干预便能进一步提高模型的检测性能；通过模型压缩使得模型在嵌入式设备上能够实时运行。还结合了数据库技术，能够给出该类无人机的各项性能参数。本发明的优点在于：能够判断无人机的种类；还添加了修正模块，使得在检测过程中只需要进行少量的人为干预便能进一步提高模型的检测性能；结合了数据库技术，能够给出该类无人机的各项性能参数，便于无人机的管制。

技术领域

本发明涉及无人机监管技术领域，特别涉及一种基于深度学习的无人机检测方法。

背景技术

随着低空区域的陆续开放、技术的迅速发展和法律法规的完善，无人机的应用领域更加广泛，越来越多的无人机将参与人们的生产生活。低空飞行的无人机增多，带来的安全隐患也逐渐增多，因此对无人机的实时监管也尤为重要。使用传统的雷达技术检测无人机面临着极大的挑战，因为雷达无法对目标是否为无人机作出判断。

而通过光电设备(如相机)能够获取无人机图像，使用计算机视觉技术便能够判断无人机的种类和型号。计算机视觉技术检测无人机需要大量训练样本来训练检测模型，训练样本的收集过程将消耗大量的人力、物力成本。

本发明所用到的技术术语

SSD算法：SSD(Single Shot Mutli-Box Detection)采用一个卷积神经网络来检测目标，SSD在检测过程中使用了多尺度的特征。SSD的核心思想包括三点：多尺度特征检测、全卷积网络和先验框。

发明内容

本发明针对现有技术的缺陷，提供了一种基于深度学习的无人机检测方法，能有效的解决上述现有技术存在的问题。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于深度学习的无人机检测方法，包括以下步骤：

S1：数据收集：首先从互联网上收集无人机图像和无人机种类，选取图像的要求有两点，一是无人机应位于图像的中心，二是无人在图像的面积应超过图像的一半；然后，从互联网收集无人机真实飞行的视频，并标注出视频中的无人机。

S2：数据增强：对标注后的图像施加随机旋转、左右翻转、度调整、对比度调整、高斯噪声添加，目的是为了在训练过程中增加数据量，有效的抑制过拟合问题。

S3：构建深度卷积神经网络模型；

S31：构建改进SSD算法的骨干网络，该网络一共50层，其结构主要由通道分割、残差块和通道混淆三个模块组成的基本单元堆叠而成。通道分割模块沿着通道轴将输入划分为两个部分，两部分的通道数相同；残差块由两个1×1卷积和一个3×3卷积，其中3×3卷积的逐通道卷积位于两个1×1卷积中间，它们的输出通道数相同；通道混淆模块是将输入的通道打乱，以增强训练时信息的流动性。

S32：锚点框精炼网络构建；

S321：建立特征融合模块，所述特征融合模块的输入为一个高层特征和一个低层特征，高层特征首先经过一个1×1卷积的卷积将通道数降低为256，然后使用最近邻插值将其分辨率调整与低层特征相同，最后使用批归一化操作标准化特征；低层特征也首先经过一个1×1卷积的卷积将通道数降低为256，然后经过一个3×3卷积层进一步处理，最后使用批归一化操作标准化特征；将标准化后的特征逐像素相加，并传入修正线性单元进行激活处理，得到融合特征；

融合后的三种特征图分辨率分别为输入图像的并用于精炼锚点框的预测。