基于YOLOv3改进算法的无人机航拍目标检测装置及装置的制作方法

基于yolov3改进算法的无人机航拍目标检测装置及装置
技术领域
1.本公开属于人工智能技术领域，具体涉及一种基于yolov3改进算法的无人机航拍目标检测装置及装置。


背景技术：

2.随着航拍技术的快速发展，可用于表征地球表面各种物体的遥感图像的数量和质量大大增加，如机场、飞机、建筑等。这加强了对航拍图像的自动分析和理解，为智能地球观测带来了强烈的需求。目标检测在图像领域中起着至关重要的作用，对于智能监测、城市规划、精确农业和地理信息系统(gis)更新等广泛的应用也非常重要。
3.传统的遥感图像目标检测算法，如方向梯度直方图hog(histogram of oriented gradient)、尺度不变特征变换(sift)等，大多通过收集大量的先验知识来设计手工特征，然后以手工特征模板滑动整幅图像，选取激活值较高的区域，训练分类器对目标进行检测和识别。而随着计算机性能的提升，基于深度学习的目标检测算法在检测精度和速度上均远超传统检测算法，使航拍图像目标检测有了新的突破。但是，由于航拍图像通常是从几百米甚至上万米的高空进行拍摄的，目标对象多为小目标，边缘特征难以提取，且图像中背景信息复杂，加剧了检测干扰，从而无法准确提取出具有判别性的特征信息，造成小目标误检和漏检的现象。


技术实现要素：

4.本公开旨在至少解决现有技术中存在的技术问题之一，提供一种基于yolov3改进算法的无人机航拍目标检测装置及装置。
5.本公开的一方面，提供一种基于yolov3改进算法的无人机航拍目标检测方法，所述方法包括：
6.准备无人机航拍数据集，并对数据集进行预处理；
7.利用k-means聚类算法对所述预处理后的数据集进行聚类；
8.按照预设的比例将聚类后的数据集划分为训练集和测试集；
9.建立改进yolov3网络结构：构建两层辅助特征提取网络加强特征提取能力；
10.设置batchsize、先验框参数、初始学习率参数，以符合航拍物体检测要求；
11.利用所述训练集对所述改进yolov3网络结构进行训练，得到无人机航拍物体检测模型；
12.使用所述无人机航拍物体检测模型对航拍物体进行检测。
13.在一些实施方式中，所述构建两层辅助特征提取网络，包括：
14.将输入到网络中的图片不断进行最大池化下采样，直到特征图长*宽为52*52和26*26；
15.分别通过一个1*1卷积整合通道数，一个由一个1*1卷积和两个3*3卷积构成的残差模块进行特征提取；
16.将通过特征提取后的26*26特征图通过一次上采样到52*52，然后与通过残差模块特征提取的52*52特征图叠加，增强特征图语义信息，构建出所述两层辅助特征提取网络。
17.在一些实施方式中，所述建立改进yolov3网络结构，还包括：
18.在yolov3网络的每一个fpn支路上增加rfb模块。
19.在一些实施方式中，所述对数据集进行预处理，包括：
20.将数据集的数据标注转换成voc格式。
21.在一些实施方式中，设置权重衰减系数为0.0005，学习率为0.0001，batch_size为6。
22.本公开的另一方面，提供一种基于yolov3改进算法的无人机航拍目标检测装置，所述方法包括：
23.采集模块，用于准备无人机航拍数据集，并对数据集进行预处理；
24.聚类模块，用于利用k-means聚类算法对所述预处理后的数据集进行聚类；
25.划分模块，用于按照预设的比例将聚类后的数据集划分为训练集和测试集；
26.建立模块，用于建立改进yolov3网络结构：构建两层辅助特征提取网络加强特征提取能力；
27.设置模块，用于设置batchsize、先验框参数、初始学习率参数，以符合航拍物体检测要求；
28.训练模块，用于利用所述训练集对所述改进yolov3网络结构进行训练，得到无人机航拍物体检测模型；
29.检测模块，用于使用所述无人机航拍物体检测模型对航拍物体进行检测。
30.在一些实施方式中，所述建立模块，具体用于：
31.将输入到网络中的图片不断进行最大池化下采样，直到特征图长*宽为52*52和26*26；
32.分别通过一个1*1卷积整合通道数，一个由一个1*1卷积和两个3*3卷积构成的残差模块进行特征提取；
33.将通过特征提取后的26*26特征图通过一次上采样到52*52，然后与通过残差模块特征提取的52*52特征图叠加，增强特征图语义信息，构建出所述两层辅助特征提取网络。
34.在一些实施方式中，所述建立模块，具体还用于：
35.在yolov3网络的每一个fpn支路上增加rfb模块。
36.在一些实施方式中，所述采集模块，具体用于：
37.将数据集的数据标注转换成voc格式。
38.在一些实施方式中，设置权重衰减系数为0.0005，学习率为0.0001，batch_size为6。
39.本公开的基于yolov3改进算法的无人机航拍目标检测方法及装置，通过设计改进的yolov3网络结构，增加两层辅助特征提取网络，与fpn网络进行特征融合，同时利用rfb模块扩充感受野，增强特征提取能力，最后对每个有效的fpn特征层进行回归和分类步骤获取目标位置和类别，通过非极大值抑制得到最终检测结果，能够准确提取出具有判别性的特征信息，从而可以避免小目标误检和漏检的现象发生。
附图说明
40.图1为本公开一实施例的基于yolov3改进算法的无人机航拍目标检测方法的流程图；
41.图2为本公开另一实施例的基于yolov3改进算法的无人机航拍目标检测装置的结构示意图。
具体实施方式
42.为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。
43.本实施例的一方面，如图1所示，涉及一种基于yolov3改进算法的无人机航拍目标检测方法s100，所述方法s100包括：
44.s110、准备无人机航拍数据集，并对数据集进行预处理。
45.具体地，在本步骤中，将数据集的数据标注转换成voc格式。
46.s120、利用k-means聚类算法对所述预处理后的数据集进行聚类。
47.具体地，在本步骤中，利用k-means聚类算法对所述预处理后的数据集进行聚类，得出9个先验框尺寸。
48.s130、按照预设的比例将聚类后的数据集划分为训练集和测试集。
49.具体地，在本步骤中，对已处理的数据集进行划分，分为训练集和测试集。例如，对数据集的23463张图片按照9：1的比例划分训练集和测试集，训练集21117张，测试集2346张。
50.s140、建立改进yolov3网络结构：构建两层辅助特征提取网络加强特征提取能力、在yolov3网络的每一个fpn支路上增加rfb模块。
51.具体地，在本步骤中，对原有的yolov3算法进行改进：对原始的yolov3算法进行改进，增加两层辅助特征提取网络，与fpn网络进行特征融合，同时利用rfb模块扩充感受野，增强特征提取能力，最后对每个有效的fpn特征层进行回归和分类步骤获取目标位置和类别，通过非极大值抑制得到最终检测结果。
52.更具体地，构建两层辅助特征提取网络具体包括：
53.将输入到网络中的图片不断进行最大池化下采样，直到特征图长*宽为52*52和26*26。
54.分别通过一个1*1卷积整合通道数，一个由一个1*1卷积和两个3*3卷积构成的残差模块进行特征提取。
55.将通过特征提取后的26*26特征图通过一次上采样到52*52，然后与通过残差模块特征提取的52*52特征图叠加，增强特征图语义信息，构建出所述两层辅助特征提取网络。
56.s150、设置batchsize、先验框参数、初始学习率参数，以符合航拍物体检测要求。
57.具体地，在本步骤中，设置权重衰减系数为0.0005，学习率为0.0001，batch_size为6。
58.s160、利用所述训练集对所述改进yolov3网络结构进行训练，得到无人机航拍物体检测模型。
59.具体地，在本步骤中，将图片输入到此网络中进行正向传播计算损失，并通过损失
函数来进行反向传播更新网络中的各种参数，直到损失函数收敛，共训练100个epcoh迭代训练，并将此时得到的权重参数保存起来。
60.s170、使用所述无人机航拍物体检测模型对航拍物体进行检测。
61.本实施例的基于yolov3改进算法的无人机航拍目标检测方法，通过设计改进的yolov3网络结构，增加两层辅助特征提取网络，与fpn网络进行特征融合，同时利用rfb模块扩充感受野，增强特征提取能力，最后对每个有效的fpn特征层进行回归和分类步骤获取目标位置和类别，通过非极大值抑制得到最终检测结果，能够准确提取出具有判别性的特征信息，从而可以避免小目标误检和漏检的现象发生。
62.本公开的另一方面，如图2所示，提供一种基于yolov3改进算法的无人机航拍目标检测装置100，该装置100可以适用于前文记载的方法，具体可以参考前文相关记载，在此不作赘述。所述装置100包括：
63.采集模块110，用于准备无人机航拍数据集，并对数据集进行预处理；
64.聚类模块120，用于利用k-means聚类算法对所述预处理后的数据集进行聚类；
65.划分模块130，用于按照预设的比例将聚类后的数据集划分为训练集和测试集；
66.建立模块140，用于建立改进yolov3网络结构：构建两层辅助特征提取网络加强特征提取能力；
67.设置模块150，用于设置batchsize、先验框参数、初始学习率参数，以符合航拍物体检测要求；
68.训练模块160，用于利用所述训练集对所述改进yolov3网络结构进行训练，得到无人机航拍物体检测模型；
69.检测模块170，用于使用所述无人机航拍物体检测模型对航拍物体进行检测。
70.本实施例的基于yolov3改进算法的无人机航拍目标检测装置，通过设计改进的yolov3网络结构，增加两层辅助特征提取网络，与fpn网络进行特征融合，同时利用rfb模块扩充感受野，增强特征提取能力，最后对每个有效的fpn特征层进行回归和分类步骤获取目标位置和类别，通过非极大值抑制得到最终检测结果，能够准确提取出具有判别性的特征信息，从而可以避免小目标误检和漏检的现象发生。
71.在一些实施方式中，所述建立模块140，具体用于：
72.将输入到网络中的图片不断进行最大池化下采样，直到特征图长*宽为52*52和26*26；
73.分别通过一个1*1卷积整合通道数，一个由一个1*1卷积和两个3*3卷积构成的残差模块进行特征提取；
74.将通过特征提取后的26*26特征图通过一次上采样到52*52，然后与通过残差模块特征提取的52*52特征图叠加，增强特征图语义信息，构建出所述两层辅助特征提取网络。
75.在一些实施方式中，所述建立模块140，具体还用于：
76.在yolov3网络的每一个fpn支路上增加rfb模块。
77.在一些实施方式中，所述采集模块110，具体用于：
78.将数据集的数据标注转换成voc格式。
79.在一些实施方式中，设置权重衰减系数为0.0005，学习率为0.0001，batch_size为6。
80.可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

技术特征：
1.一种基于yolov3改进算法的无人机航拍目标检测方法，其特征在于，所述方法包括：准备无人机航拍数据集，并对数据集进行预处理；利用k-means聚类算法对所述预处理后的数据集进行聚类；按照预设的比例将聚类后的数据集划分为训练集和测试集；建立改进yolov3网络结构：构建两层辅助特征提取网络加强特征提取能力；设置batchsize、先验框参数、初始学习率参数，以符合航拍物体检测要求；利用所述训练集对所述改进yolov3网络结构进行训练，得到无人机航拍物体检测模型；使用所述无人机航拍物体检测模型对航拍物体进行检测。2.根据权利要求1所述的方法，其特征在于，所述构建两层辅助特征提取网络，包括：将输入到网络中的图片不断进行最大池化下采样，直到特征图长*宽为52*52和26*26；分别通过一个1*1卷积整合通道数，一个由一个1*1卷积和两个3*3卷积构成的残差模块进行特征提取；将通过特征提取后的26*26特征图通过一次上采样到52*52，然后与通过残差模块特征提取的52*52特征图叠加，增强特征图语义信息，构建出所述两层辅助特征提取网络。3.根据权利要求1所述的方法，其特征在于，所述建立改进yolov3网络结构，还包括：在yolov3网络的每一个fpn支路上增加rfb模块。4.根据权利要求1至3任一项所述的方法，其特征在于，所述对数据集进行预处理，包括：将数据集的数据标注转换成voc格式。5.根据权利要求1至3任一项所述的方法，其特征在于，设置权重衰减系数为0.0005，学习率为0.0001，batch_size为6。6.一种基于yolov3改进算法的无人机航拍目标检测装置，其特征在于，所述方法包括：采集模块，用于准备无人机航拍数据集，并对数据集进行预处理；聚类模块，用于利用k-means聚类算法对所述预处理后的数据集进行聚类；划分模块，用于按照预设的比例将聚类后的数据集划分为训练集和测试集；建立模块，用于建立改进yolov3网络结构：构建两层辅助特征提取网络加强特征提取能力；设置模块，用于设置batchsize、先验框参数、初始学习率参数，以符合航拍物体检测要求；训练模块，用于利用所述训练集对所述改进yolov3网络结构进行训练，得到无人机航拍物体检测模型；检测模块，用于使用所述无人机航拍物体检测模型对航拍物体进行检测。7.根据权利要求6所述的装置，其特征在于，所述建立模块，具体用于：将输入到网络中的图片不断进行最大池化下采样，直到特征图长*宽为52*52和26*26；分别通过一个1*1卷积整合通道数，一个由一个1*1卷积和两个3*3卷积构成的残差模块进行特征提取；将通过特征提取后的26*26特征图通过一次上采样到52*52，然后与通过残差模块特征提取的52*52特征图叠加，增强特征图语义信息，构建出所述两层辅助特征提取网络。
8.根据权利要求6所述的装置，其特征在于，所述建立模块，具体还用于：在yolov3网络的每一个fpn支路上增加rfb模块。9.根据权利要求6至8任一项所述的装置，其特征在于，所述采集模块，具体用于：将数据集的数据标注转换成voc格式。10.根据权利要求6至8任一项所述的装置，其特征在于，设置权重衰减系数为0.0005，学习率为0.0001，batch_size为6。

技术总结
本公开提供一种基于YOLOv3改进算法的无人机航拍目标检测方法及装置。所述方法包括：准备无人机航拍数据集，并对数据集进行预处理；利用K-means聚类算法对所述预处理后的数据集进行聚类；按照预设的比例将聚类后的数据集划分为训练集和测试集；建立改进YOLOv3网络结构：构建两层辅助特征提取网络加强特征提取能力；设置batchsize、先验框参数、初始学习率参数，以符合航拍物体检测要求；利用所述训练集对所述改进YOLOv3网络结构进行训练，得到无人机航拍物体检测模型；使用所述无人机航拍物体检测模型对航拍物体进行检测。能够准确提取出具有判别性的特征信息，从而可以避免小目标误检和漏检的现象发生。误检和漏检的现象发生。误检和漏检的现象发生。


技术研发人员：曹乃虹 李志杰 吴华 杨继明 徐文海 王自强 徐明寿
受保护的技术使用者：北京华能新锐控制技术有限公司
技术研发日：2023.04.26
技术公布日：2023/8/1