[发明专利]一种基于YOLOv4的无人机场景检测方法

说明书

本发明提供一种基于YOLOv4的无人机场景检测方法，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；S3、使用预训练模型，并对预训练模型进行特定训练参数设定，得到训练模型；S4、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、使用测试集对模型进行测试，并且判断是否符合要求，若不符合，继续进行S4步骤，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、使用无人机场景检测模型对序列图像进行目标检测。本发明与现有技术相比，占用内存小，平均交并比改进以后提升了5.26％，精确率比原版提升了3.30％，改进后的召回率提升了1.08％。

技术领域

本发明涉及无人机领域，特别是涉及一种基于YOLOv4的无人机场景检测方法。

背景技术

无人机小巧灵活、视角广阔，近几年来在农业植保、灾情检测、安全防护、航拍视频等方面有广泛的应用。各种深度学习方案使目标识别的准确率和速度有极大发展，但目前目标识别的对象大多是平面视角的，无人机图像中的目标尺度多变、尺寸较小、分辨率低，现有的模型无法直接应用在无人机图像目标识别领域。以Faster-RCNN为代表的两阶段目标检测框架需要的硬件资源比较多而且速度较慢，不适合实时性场景。

为解决无人机图像中小目标多、像素低、多尺度和无人机硬件平台资源有限、实时性高的难题，本发明基于YOLOv4网络改进训练一种基于无人机图像的着陆场景多目标识别模型。

发明内容

有鉴于此，本发明的目的在于提供一种基于YOLOv4的无人机场景检测方法，主要解决的问题是：现有的目标识别模型对无人机图像中的尺度多变、尺寸较小、分辨率低的小目标检测效果不好，难以判断无人机所处场景的问题。

为实现上述的目的，本发明提供如下的技术方案：

本发明公开了一种基于YOLOv4的无人机场景检测方法，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。

进一步的，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。

进一步的，在所述步骤S1中，所述训练集和测试集的比例为：9:1。