[发明专利]一种基于YOLOv4的无人机场景检测方法

权利要求书

1.一种基于YOLOv4的无人机场景检测方法，其特征在于，所述方法包括：

S1、建立专有数据集；按照一定比例划分训练集和测试集；

S2、建立网络结构，所述网络结构基于改进的YOLOv4网络，以CSPdarknet53作为主干网络，空间金字塔池化模块和路径聚合网络模块作为颈部，YOLOV3作为头部预测输出；

S3、首先使用ImageNet大型数据集对S2步骤中得到的网络结构进行训练，得到预训练模型，然后在对网络结构进行特定训练参数设定；

S4、使用训练集对预训练模型进行迭代训练，直到损失函数收敛，得到无人机场景检测模型；

S5、使用上述测试集对无人机场景检测模型进行测试，并且判断是否符合要求，若不符合，继续进行S4步骤，继续进行迭代训练直到测试结果符合要求；

S6、输出符合要求的无人机场景检测模型；

S7、使用步骤S6中符合要求的无人机场景检测模型对序列图像进行目标检测，并且识别出无人机所处场景。

2.根据权利要求1所述的一种基于YOLOv4的无人机场景检测方法，其特征在于，在所述步骤S1中，所述建立专有数据集，包括如下步骤：

S1.1、采集基础数据样本，所述基础数据样本，包括：截取自无人机拍摄视频形成的图片，以及截取自网络上航拍数据集中的图片；

所述图片包括：含有汽车、船只、操场、篮球场、桥梁、港口六种目标的图片，以及不含有汽车、船只、操场、篮球场、桥梁、港口六种目标的图片；

S1.2、对所述基础数据样本中图片的目标进行标签，并将标签处理为YOLO网络所需要的格式，所述标签包括：类别，中心点横坐标，中心点纵坐标，目标宽度和目标长度；

S1.3、采用数据增强方法对经过标签的图片和未经过标签的图片进行扩充，得到专有数据集，所述专有数据集共有1000张图片。

3.根据权利要求1所述的一种基于YOLOv4的无人机场景检测方法，其特征在于，在所述步骤S1中，所述训练集和测试集的比例为：9:1。

4.根据权利要求1所述的一种基于YOLOv4的无人机场景检测方法，其特征在于，在所述步骤S3中所述特定训练参数为：批次batch＝64，每张图的大小为608x608，批次细分subdivision＝16，最大批次数为20000次，初始学习率为0.0013。

5.根据权利要求1所述的一种基于YOLOv4的无人机场景检测方法，其特征在于，在所述步骤S4中，所述损失函数的收敛值为0.5。

6.根据权利要求1所述的一种基于YOLOv4的无人机场景检测方法，其特征在于，在所述步骤S5中，所述符合要求是指对无人机场景检测模型进行性能评估，mAP@0.5达到93.33％及以上。