【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及計算機視覺，尤其涉及一種航空圖像目標檢測方法、系統(tǒng)、設(shè)備及存儲介質(zhì)。
技術(shù)介紹
1、無人機(uav)和遙感技術(shù)一直在不斷發(fā)展。它們通過利用其視覺感知能力的綜合力量，能夠執(zhí)行更廣泛的任務(wù)。對航空圖像進行智能分析和處理，可以快速有效地捕獲目標特征信息，從而增強無人機的場景理解能力，同時，目標檢測技術(shù)可以自動識別圖像中的目標和定位，提高無人機在弱人機交互條件下的感知功能，為自主檢測和飛行提供基本的技術(shù)支持。航空圖像的目標檢測在如無人機偵察、交通監(jiān)督、精確農(nóng)業(yè)、野生動物跟蹤和人員救援等民用和軍事領(lǐng)域獲得了廣泛的關(guān)注。
2、目標檢測技術(shù)旨在從圖像中自動識別并定位出感興趣的目標，如行人、車輛、建筑物等。在自然場景圖像中，目標檢測技術(shù)已經(jīng)取得了顯著的進展，但在航空圖像中，由于目標尺寸小、分布密集、尺度變化大、存在遮擋和任意方向等特點，使得目標檢測任務(wù)更具挑戰(zhàn)性。傳統(tǒng)的目標檢測算法通常包括圖像預(yù)處理、候選區(qū)域選取、特征提取、降維和分類等步驟。這些算法通過手動設(shè)計的特征描述符(如sift、vj、hog、dpm等)來提取圖像中的目標特征，然后利用分類器(如支持向量機、adaboost等)對提取的特征進行分類。然而，這些算法在應(yīng)對航空圖像目標檢測任務(wù)時，存在諸多不足。例如，sift算法在提取邊緣光滑的目標特征時效果不佳，且計算復(fù)雜度較高；vj算法雖然易于實現(xiàn)，但同樣面臨計算復(fù)雜度高的問題；hog算法無法有效處理遮擋問題；dpm算法則需要人為設(shè)計特征，且設(shè)計特征的工作量大，穩(wěn)定性差。
3、近年來，深度學(xué)習(xí)技術(shù)的快速
4、然而，直接將現(xiàn)有的yolo算法應(yīng)用于航空圖像目標檢測任務(wù)時，仍存在一些問題。首先，航空圖像中的目標尺寸通常較小，而yolo算法在檢測小目標時性能較差；其次，航空圖像中的目標分布密集，且存在尺度變化大、遮擋等問題，這進一步增加了目標檢測的難度。針對以上問題，本專利技術(shù)提出了一種對航空圖像中的小目標具有更好的檢測效果的改進的航空圖像目標檢測方法。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的是針對現(xiàn)有技術(shù)中存在的由于航空圖像中目標分布密集、尺度變化大、目標被遮擋，導(dǎo)致航空圖像目標檢測難度較大、檢測不準確的問題，提供一種對航空圖像中的小目標具有更好的檢測效果的航空圖像目標檢測方法。
2、為實現(xiàn)以上目的，本專利技術(shù)的技術(shù)解決方案是：
3、一種航空圖像目標檢測方法，所述目標檢測方法包括：
4、s1、構(gòu)建改進的目標檢測模型；
5、所述改進的目標檢測模型包括特征提取網(wǎng)絡(luò)、mamba密集聚合網(wǎng)絡(luò)和門控自適應(yīng)特征融合檢測頭；
6、s2、對所述改進的目標檢測模型進行訓(xùn)練，得到訓(xùn)練好的目標檢測模型；
7、s3、使用訓(xùn)練好的目標檢測模型，對航空圖像進行目標檢測。
8、所述步驟s2中，通過訓(xùn)練數(shù)據(jù)集對所述改進的目標檢測模型進行訓(xùn)練包括如下步驟：
9、s201、通過訓(xùn)練數(shù)據(jù)集對所述改進的目標檢測模型進行訓(xùn)練，得到第一目標檢測模型；
10、s202、通過測試數(shù)據(jù)集、驗證數(shù)據(jù)集對第一目標檢測模型的性能進行評估，得到第一目標檢測模型的評價指標；
11、所述評價指標包括：準確率、召回率、f1分數(shù)、平均精度值；
12、s203、根據(jù)所述評價指標調(diào)整第一目標檢測模型的超參數(shù)，得到訓(xùn)練好的目標檢測模型；
13、所述訓(xùn)練數(shù)據(jù)集、測試數(shù)據(jù)集、驗證數(shù)據(jù)集中均包含有多張航拍圖像，每張所述航拍圖像中均已標注出目標類別、目標位置。
14、所述特征提取網(wǎng)絡(luò)包括stem模塊、第一c2f模塊、第二c2f模塊、第三c2f模塊、第四c2f模塊、sppf模塊；
15、所述stem模塊的輸入端用于接收原始航空圖像，stem模塊的輸出端與第一c2f模塊的輸入端相連，所述第一c2f模塊的輸出端通過一個降采樣模塊與第二c2f模塊的輸入端相連，所述第二c2f模塊的輸出端通過一個降采樣模塊與第三c2f模塊的輸入端相連，所述第三c2f模塊的輸出端通過一個降采樣模塊與第四c2f模塊的輸入端相連，所述第四c2f模塊的輸出端與sppf模塊的輸入端相連，所述sppf模塊的輸出端、第一c2f模塊的輸出端、第二c2f模塊的輸出端、第三c2f模塊的輸出端、第四c2f模塊的輸出端均與mamba密集聚合網(wǎng)絡(luò)的輸入端相連。
16、所述mamba密集聚合網(wǎng)絡(luò)包括：第五c2f模塊、第六c2f模塊、第七c2f模塊、第八c2f模塊、第九c2f模塊、第十c2f模塊、第十一c2f模塊、第十二c2f模塊、第十三c2f模塊、第一mamba模塊、第二mamba模塊、第三mamba模塊、第四mamba模塊、第一concat模塊、第二concat模塊、第三concat模塊、第一加法器、第二加法器、第三加法器、第四加法器、第五加法器、第六加法器、第七加法器；
17、所述第一加法器的兩個輸入端分別與第四c2f模塊的輸出端、sppf模塊的輸出端相連，第一加法器輸出端與第五c2f模塊的輸入端相連，第五c2f模塊的輸出端與第一mamba模塊的輸入端相連，第一mamba模塊的輸出端與第六c2f模塊的輸入端相連，所述第六c2f模塊的輸出端與第三concat模塊的一個輸入端相連，第三concat模塊的輸出端與門控自適應(yīng)特征融合檢測頭的輸入端、第十三c2f模塊的輸入端相連，所述第十三c2f模塊的輸出端與第一concat模塊的一個輸入端相連；
18、所述第七c2f模塊的輸入端與第二加法器的輸出端相連，所述第二加法器的一個輸入端與第三c2f模塊的輸出端相連，第二加法器的另一個輸入端通過上采樣模塊與第五c2f模塊的輸出端相連，第二加法器的又一個輸入端通過上采樣模塊與第一mamba模塊的輸出端相連接，第七c2f模塊的輸出端與第二mamba模塊的一個輸入端相連，第二mamba模塊的另一個輸入端與第三加法器的輸出端相連，第三加法器的一個輸入端通過上采樣模塊與第一mamba模塊的輸出端相連，第三加法器的另一個輸入端通過上采樣模塊與第六c2f模塊的輸出端相連，第二mamba模塊的輸出端與第八c2f模塊的輸入端相連，第八c2f模塊的輸出端與第二concat模塊的一個輸入端相連，第二concat模塊的輸出端與門控自適應(yīng)特征融合檢測頭的輸入端、第三concat模塊的另一個輸入端相連；
19、所述第九c2f模塊的輸入端與第四加法器的輸出端相連，所述第四加法器的一個輸入端與第二c2f模塊的輸出端相連，第四加法器的另一個輸入端通過上采樣模塊與第七c2f模塊的輸出端相連，第四加法器的又一個輸入端通過上采樣模塊與第二mamba模塊的輸出本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種航空圖像目標檢測方法，其特征在于：
2.根據(jù)權(quán)利要求1所述的一種航空圖像目標檢測方法，其特征在于：
3.根據(jù)權(quán)利要求1所述的一種航空圖像目標檢測方法，其特征在于：
4.根據(jù)權(quán)利要求3所述的一種航空圖像目標檢測方法，其特征在于：
5.根據(jù)權(quán)利要求4所述的一種航空圖像目標檢測方法，其特征在于：
6.根據(jù)權(quán)利要求4所述的一種航空圖像目標檢測方法，其特征在于：
7.根據(jù)權(quán)利要求4所述的一種航空圖像目標檢測方法，其特征在于：
8.一種航空圖像目標檢測系統(tǒng)，其特征在于，所述系統(tǒng)包括：
9.一種電子設(shè)備，其特征在于，包括存儲器和處理器，所述存儲器，用于存儲計算機程序代碼，并將所述計算機程序代碼傳輸給所述處理器；
10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述權(quán)利要求1至7任一項中所述的航空圖像目標檢測方法。
【技術(shù)特征摘要】
1.一種航空圖像目標檢測方法，其特征在于：
2.根據(jù)權(quán)利要求1所述的一種航空圖像目標檢測方法，其特征在于：
3.根據(jù)權(quán)利要求1所述的一種航空圖像目標檢測方法，其特征在于：
4.根據(jù)權(quán)利要求3所述的一種航空圖像目標檢測方法，其特征在于：
5.根據(jù)權(quán)利要求4所述的一種航空圖像目標檢測方法，其特征在于：
6.根據(jù)權(quán)利要求4所述的一種航空圖像目標檢測方法，其特征在于：
7.根據(jù)權(quán)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：毋世曉，陸星元，
申請(專利權(quán))人：武漢商學(xué)院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。