基于改进的YOLOv5s的红外无人机目标检测方法

本申请涉及低慢小目标检测，特别涉及基于改进的yolov5s的红外无人机目标检测方法。

背景技术：

1、2017年4月，成都双流机场发生多起无人机闯入事件，导致百余架飞机迫降或返航；2018年2月，河北唐某等人利用无人机对某地违规拍摄，导致民航多架次航班改航；2023年9月，南京pn6444航班遭遇飞鸟自杀式撞击，导致飞机发动机受损、机身震动……。在学术界，将上述低空飞行(高度1km以下)、速度慢(55m/s以下)、小尺寸(雷达截面积小于2m2)的目标统称为“低慢小目标”。诸如无人机、鸟群之类的低慢小目标管控难、侦测难、处置难，已成为非传统空中安全威胁的典型代表，如何有效应对低慢小目标的现实威胁已成为各国要地安防侦察领域研究的难点。

2、根据技术原理的不同，当前低慢小目标侦测技术主要分为4类，即无线电侦测、音频侦测、雷达侦测和光电侦测。以上侦测手段各有优缺点，综合比较，无线电侦测和音频侦测对已有特征数据库的无人机识别概率较高，但容易受到无线电杂波、噪音等干扰，作用距离相对较近；雷达侦测手段作用距离最远，但抗电磁干扰能力弱，不适用于城市环境；光电侦测手段作用距离适中，抗干扰能力强，性价比高，已成为目前低慢小目标智能侦测技术研究的重点。在现有光电侦察方式中，可见光侦察技术较为成熟，但难以满足全天候运用的需求，红外侦测技术凭借其抗干扰能力强、目标检测概率高、穿雾透霾且昼夜可用等优势而成为低慢小目标检测技术研究的首先。受限于红外辐射成像机制，当目标距离较远时，红外目标呈现为点状的弱小目标，细节不清、特征不强，信噪比较低，给传统目标检测算法造成了极大挑战。

3、近年来，随着深度学习理论的不断发展，将深度学习应用于目标检测算法中取得了较好的效果。基于深度学习的通常分为以r-cnn系列为代表的两阶段检测算法和以yolo系列为代表的单阶段检测算法，相比而言，yolo系列算法可兼顾高检测准确率和高检测速度，已被广泛应用到红外目标检测领域。yolov5s模型是2020年推出的一个端到端的深度模型，它是yolov5系列中结构参数和计算量最少的版本，已应用于行人、无人机、舰船等目标检测领域。

4、但是目前，yolov5s模型针对红外弱小目标进行实时性检测的准确性偏弱。

技术实现思路

1、本申请提供了基于改进的yolov5s的红外无人机目标检测方法，可用于解决对红外弱小目标进行实时性检测的准确性偏弱的技术问题。

2、本申请提供基于改进的yolov5s的红外无人机目标检测方法，方法包括：

3、步骤1，设定yolov5s模型基本框架；

4、步骤2，对yolov5s进行模型改进；

5、步骤3，利用改进后的yolov5s进行红外无人机目标检测。

6、进一步地，步骤1，设定yolov5s模型基本框架，包括：

7、yolov5s模型包括四个部分：输入端input、主干网络backbone、颈部网络neck、预测端prediction；

8、其中，输入端input用于检测图像的输入，使用mosaic数据增强、自适应锚框、自适应图像尺度缩放提高模型的训练速度和检测精度；

9、主干网络backbone为在不同图像细粒度上聚合并形成图像特征的优质卷积神经网络；主干网络包括focus切片结构、cbs标准卷积层、csp跨阶段局部网络、spp空间金字塔池化模块；

10、颈部网络neck用于采用fpn+pan结构进行图像特征的聚合，进一步提升图像特征的提取能力；

11、预测端prediction用于设置损失函数，通过非极大值抑制nms来筛选目标框。

12、进一步地，步骤2，对yolov5s进行模型改进。

13、步骤21，创建tcc模块；

14、采取二路卷积和多尺度思想创建了tcc模块，将tcc模块替换backbone中的cbs模块；

15、步骤22，引入ghost模块的spp结构，并进行csp2结构改进；

16、将ghost模块引入到spp中；

17、使用ghost卷积替代neck中csp2_x模块的卷积网络。

18、进一步地，tcc模块的工作流程为：

19、首先，取一半通道数的特征图，经过常规cbs模块得到降维的特征图；

20、同时，另一半通道数特征图最大池化后，进行步长为2的卷积操作，来降低图片的维度，得到一组特征图；

21、然后，将两路经cbs模块和最大池化操作后的图像信息进行concat拼接操作，再输入到1×1的卷积层中，进行不同通道信息的融合操作；

22、经tcc模块处理后，特征图像的语义信息能够保留，再传入csp1_x模块特征提取。

23、进一步地，改进后的spp工作过程为：

24、先利用3个卷积和大小不同的最大池化层对ghost模块得到特征图进行下采样；

25、将各自输出结果进行拼接融合，并与初始特征相加；

26、最后经过卷积操作，将输出恢复到同初始输入一致。

27、本文通过更换卷积创建tcc模块、引入ghost模块改进spp结构和csp2结构，提出了一种基于yolov5s模型改进的红外弱小目标检测方法，提升了检测精度，减少了网络参数量。改进后模型的参数量减少了，但参数量仅为yolov8s模型的一半，改进后的yolov5s模型更适用于红外弱小目标的检测。

技术特征：

1.基于改进的yolov5s的红外无人机目标检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，步骤1，设定yolov5s模型基本框架，包括：

3.根据权利要求2所述的方法，其特征在于，步骤2，对yolov5s进行模型改进。

4.根据权利要求3所述的方法，其特征在于，tcc模块的工作流程为：

5.根据权利要求3所述的方法，其特征在于，改进后的spp工作过程为：

技术总结本申请提供基于改进的YOLOv5s的红外无人机目标检测方法，方法包括：步骤1，设定YOLOv5s模型基本框架；步骤2，对YOLOv5s进行模型改进；步骤3，利用改进后的YOLOv5s进行红外无人机目标检测。本申请提供的改进后的YOLOv5s模型更适用于红外弱小目标的检测。技术研发人员：陈玉丹,张建君,周冰,黄富瑜,武东生,应家驹受保护的技术使用者：中国人民解放军陆军工程大学技术研发日：技术公布日：2024/7/29