【技術實現步驟摘要】
本專利技術涉及目標檢測，特別涉及一種基于無人機與改進yolo算法的車輛檢測方法及系統。
技術介紹
1、隨著無人機技術的迅速發展，基于無人機平臺采集的圖像在各類監控與檢測任務中得到廣泛應用，尤其是在車輛檢測這一關鍵領域中。傳統的車輛檢測方法主要依賴于固定攝像頭或地面傳感器，這類方法通常受到拍攝角度、覆蓋范圍、環境復雜性等因素的限制，導致在大范圍、高復雜度場景中的檢測精度較低，且檢測效率不足。尤其在應對遠距離和小目標的檢測場景中，車輛因其尺度差異、背景復雜性及光照條件的多變，往往導致現有檢測算法出現漏檢或誤檢的情況。
2、近年來，深度神經網絡尤其是基于卷積神經網絡的目標檢測算法，在無人機圖像的車輛檢測任務中展現了較高的自動特征學習能力和檢測精度。
3、例如，現有的yolo系列目標檢測模型在檢測速度和精度上表現良好，但在多尺度目標檢測、復雜背景處理及實時性要求較高的情況下，模型的魯棒性和檢測精度仍存在提升空間。因此，亟需對現有的目標檢測算法進行創新和優化，以更好地適應無人機車輛檢測場景的復雜需求，提高檢測精度、魯棒性及實時性。
技術實現思路
1、本專利技術的目的在于克服現有技術的不足，提供一種基于無人機與改進yolo算法的車輛檢測方法，通過改進目標檢測模型，本專利技術能夠在無人機視角下實現對車輛的高效與精準檢測。
2、為了實現上述目的，本專利技術采用的技術方案為：
3、基于無人機與改進yolo算法的車輛檢測方法，包括如下步驟：
5、數據預處理步驟，針對獲取的影像數據進行圖像預處理操作；
6、目標檢測步驟，預先搭建基于yolo算法的目標檢測模型，根據預處理后的無人機航拍圖像進行目標檢測，得到目標檢測結果，完成車輛檢測識別。
7、數據獲取步驟為：無人機上搭載有高分辨率攝像頭，驅動無人機飛行以實現在多種高度、多角度下對目標區域進行圖像拍攝采集。
8、數據預處理步驟中對圖像預處理操作包括：圖像增強、去噪和或校正。
9、目標檢測模型基于yolov10算法模型改進得到，其中以yolov10為基礎，對其網絡結構的改進包括：
10、將其主干網絡中c2f模塊中的bottleneck替換為gateneck模塊；
11、在yolov10網絡的neck模塊部分引入cgsfr-fpn上下文引導的空間特征重構金字塔網絡cgsfr-fpn。
12、gateneck模塊包括smpconv模塊、silu激活函數、cglu模塊和殘差連接，其中特征圖輸入到gateneck模塊后，smpconv模塊使用特定大小的卷積核進行空間特征的提取，經過卷積處理后的特征圖接著通過silu激活函數進行非線性變換后，在送入到cglu模塊中進行特征的增強表達和背景噪聲的抑制，經過cglu處理的特征圖與輸入特征圖進行殘差連接后得到gateneck模塊的輸出。
13、cglu模塊包括多個線性變換和卷積操作，cglu模塊將輸入特征圖分為兩路，一路通過線性變換，另一部分通過卷積和激活處理得到兩路特征圖，兩路特征圖隨后通過逐像素相乘的方式進行門控操作，實現重要特征的增強表達和背景噪聲的抑制。
14、cglu模塊中的卷積操作采用深度可分離卷積dw?conv提取特征的空間信息。
15、上下文引導的空間特征重構金字塔網絡cgsfr-fpn包括金字塔上下文提取模塊pce、矩形校準模塊rcm、動態插值融合模塊dif和多尺度融合模塊fbm；其中來自主干網絡的特征圖p3、p4、p5分別代表不同尺度的特征圖；
16、特征圖p3、p4和p5依次輸入到金字塔上下文提取模塊，以提取各層次特征中的重要上下文，生成新的多尺度特征圖p3'、p4'和p5'；校準后的特征圖p5'、p4'和p3'將進一步進入多尺度融合模塊，實現高層語義信息與低層空間信息的有效結合；同時，最初的p3、p4、p5特征圖分別通過矩形校準模塊進行特征校準，增強對目標區域的感知；校準后的特征通過動態插值融合模塊實現高尺度特征圖可以與低尺度特征圖在空間上對齊，實現更加精確的跨尺度融合。
17、經過融合處理后的特征圖將被送入目標檢測頭head部分，執行車輛目標的分類和邊界框回歸操作，完成對不同尺度目標的檢測任務。
18、一種基于無人機與改進yolo算法的車輛檢測系統，所述系統包括：
19、數據獲取模塊，其被配置為獲取無人機航拍車輛圖像；
20、數據預處理模塊，其被配置為對無人機航拍的圖像進行預處理圖像數據操作；
21、目標檢測模塊，其被用于根據預先搭建基于yolo算法的目標檢測模型，對進行預處理后的無人機航拍圖像進行目標檢測，得到目標檢測結果，完成車輛檢測識別。
22、本專利技術的優點在于：通過在yolov10網絡中引入gateneck模塊和上下文引導的空間特征重構金字塔網絡(cgsfr-fpn)，顯著提升了車輛檢測的速度、精度和魯棒性。該模型能夠有效處理無人機多角度、多尺度圖像中的車輛目標，特別是在復雜背景和不同尺度的情況下，確保對車輛的精準檢測。同時，優化后的網絡結構減少了計算開銷，提高了實時處理能力，使其能夠適應無人機監控、交通管理和應急響應等多種應用場景。
本文檔來自技高網...【技術保護點】
1.基于無人機與改進YOLO算法的車輛檢測方法，其特征在于：包括如下步驟：
2.如權利要求1所述的基于無人機與改進YOLO算法的車輛檢測方法，其特征在于：數據獲取步驟為：無人機上搭載有高分辨率攝像頭，驅動無人機飛行以實現在多種高度、多角度下對目標區域進行圖像拍攝采集。
3.如權利要求1所述的基于無人機與改進YOLO算法的車輛檢測方法，其特征在于：數據預處理步驟中對圖像預處理操作包括：圖像增強、去噪和或校正。
4.如權利要求1所述的基于無人機與改進YOLO算法的車輛檢測方法，其特征在于：目標檢測模型基于YOLOv10算法模型改進得到，其中以YOLOv10為基礎，對其網絡結構的改進包括：
5.如權利要求4所述的基于無人機與改進YOLO算法的車輛檢測方法，其特征在于：GateNeck模塊包括SMPConv模塊、SiLU激活函數、CGLU模塊和殘差連接，其中特征圖輸入到GateNeck模塊后，SMPConv模塊使用特定大小的卷積核進行空間特征的提取，經過卷積處理后的特征圖接著通過SiLU激活函數進行非線性變換后，在送入到CGLU模塊中進行特
6.如權利要求5所述的基于無人機與改進YOLO算法的車輛檢測方法，其特征在于：CGLU模塊包括多個線性變換和卷積操作，CGLU模塊將輸入特征圖分為兩路，一路通過線性變換，另一部分通過卷積和激活處理得到兩路特征圖，兩路特征圖隨后通過逐像素相乘的方式進行門控操作，實現重要特征的增強表達和背景噪聲的抑制。
7.如權利要求6所述的基于無人機與改進YOLO算法的車輛檢測方法，其特征在于：CGLU模塊中的卷積操作采用深度可分離卷積DW?Conv提取特征的空間信息。
8.如權利要求4所述的基于無人機與改進YOLO算法的車輛檢測方法，其特征在于：上下文引導的空間特征重構金字塔網絡CGSFR-FPN包括金字塔上下文提取模塊PCE、矩形校準模塊RCM、動態插值融合模塊DIF和多尺度融合模塊FBM；其中來自主干網絡的特征圖P3、P4、P5分別代表不同尺度的特征圖；
9.如權利要求8所述的基于無人機與改進YOLO算法的車輛檢測方法，其特征在于：經過融合處理后的特征圖將被送入目標檢測頭Head部分，執行車輛目標的分類和邊界框回歸操作，完成對不同尺度目標的檢測任務。
10.一種基于無人機與改進YOLO算法的車輛檢測系統，其特征在于：所述系統包括：
...【技術特征摘要】
1.基于無人機與改進yolo算法的車輛檢測方法，其特征在于：包括如下步驟：
2.如權利要求1所述的基于無人機與改進yolo算法的車輛檢測方法，其特征在于：數據獲取步驟為：無人機上搭載有高分辨率攝像頭，驅動無人機飛行以實現在多種高度、多角度下對目標區域進行圖像拍攝采集。
3.如權利要求1所述的基于無人機與改進yolo算法的車輛檢測方法，其特征在于：數據預處理步驟中對圖像預處理操作包括：圖像增強、去噪和或校正。
4.如權利要求1所述的基于無人機與改進yolo算法的車輛檢測方法，其特征在于：目標檢測模型基于yolov10算法模型改進得到，其中以yolov10為基礎，對其網絡結構的改進包括：
5.如權利要求4所述的基于無人機與改進yolo算法的車輛檢測方法，其特征在于：gateneck模塊包括smpconv模塊、silu激活函數、cglu模塊和殘差連接，其中特征圖輸入到gateneck模塊后，smpconv模塊使用特定大小的卷積核進行空間特征的提取，經過卷積處理后的特征圖接著通過silu激活函數進行非線性變換后，在送入到cglu模塊中進行特征的增強表達和背景噪聲的抑制，經過cglu處理的特征圖與輸入特征圖進行殘差連接后得到gateneck模塊的輸...
【專利技術屬性】
技術研發人員：林志，李正，劉家衛，楊勝彪，袁泉，梁寧博，楊名，
申請(專利權)人：安徽大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。