一种基于改进的YOLOv8的小型无人机入侵的检测方法

本发明涉及无人机入侵检测，特别涉及一种基于改进的yolov8的小型无人机入侵的检测方法。

背景技术：

1、随着低空经济市场开始快速发展，无人机企业数量大幅增加，无人机产品种类和数量也快速增长，并且在航拍、物流配送、公共服务等领域的应用越来越广泛。但是，无人机的快速普及带来了飞行安全的隐患。尤其是在机场附近，无人机“黑飞”事件频繁发生，直接影响航班的正常起降。因此，多种技术被用来检测非法入侵的无人机。检测非法入侵的技术大多为雷达检测、图像检测、声波检测、电磁信号检测等。由于无人机体积小，移动速度快，且可见光图像具有成像分辨率高、目标细节信息丰富等特点，因此，基于可见光图像的对无人机目标检测成为研究热点。另外，深度学习的发展衍生出许多优秀的目标检测算法，主要有一阶检测方法和二阶检测方法两类，一阶检测方法如ssd、yolo等。二阶检测方法如r-cnn、fast r-cnn等。相比于传统算法，深度学习算法以其高精度的特征提取与识别，强大的泛化能力和高效的计算与实时性，对无人机进行入侵检测提供了更优的选择。

2、二阶段目标检测算法在基于图像对目标进行识别检测的任务中虽然具有较高的准确性，但其将检测算法分两步进行，先要获取候选区域，再对其进行分类，这导致了较高的计算量和较长的推理时间，在对无人机入侵检测实时性要求较高的应用场景中，会因为推理速度慢而无法满足需求。一阶段目标检测算法通常采用端到端的训练方式，即直接对输入图像进行特征提取和检测框回归。检测速度相对较快，适用于对移动速度快，目标体积小的无人机入侵检测这类应用场景中。一些学者选取一阶段目标检测算法，并在实际应用场景中对其改进，但在对其改进的应用中发现只关注于检测精度，往往忽视了算法体积以及计算复杂度，导致难以在边缘计算设备中部署，又或者只降低了模型的复杂度，而忽视对检测精度的影响。现有技术中，部分研究人员针对城市低空环境下目标检测算法对不同背景下小尺度无人机的目标检测精度低，容易出现漏检误检且易受外界因素干扰等问题，提出融合vibe和改进yolov7的二级检测架构，将改进的yolov7作为网络模型检测经vibe处理后的图像；依据原图与处理图像的位置大小关系，将检测出的目标坐标映射回归至原图片，从而完成目标检测提取，实验结果表明相较于原模型，显著提高了检测精度，但是参数量和计算复杂度随之提升，在模型检测精度和模型体积上没有很好权衡，导致难以在边缘设备上部署。部分研究人员针对低空微小型无人机对公共安全造成威胁的问题，基于yolov5网络提出了一种适用于移动端的轻量型目标检测模型yolov5_ss，通过引用轻量化特征提取模块，并引入注意力机制，替换边界框损失函数，降低了模型的参数量和计算复杂度，但是与原模型相比，检测精度也降低了不少。

技术实现思路

1、本发明的目的在于提供一种基于改进的yolov8的小型无人机入侵的检测方法，以改善上述技术问题。

2、为了实现上述发明目的，本发明实施例提供了以下技术方案：

3、一种基于改进的yolov8的小型无人机入侵的检测方法，其包括：

4、s1、以空对空的方式获取待检测的无人机检测图像；

5、s2、构建小型无人机入侵检测模型并进行训练，得到训练后的小型无人机入侵检测模型；

6、其中，所述小型无人机入侵检测模型采用改进的yolov8网络模型；

7、s3、将所述待检测的无人机检测图像输入至所述训练后的小型无人机入侵检测模型，得到对应的检测结果，完成对小型无人机入侵的检测。

8、进一步地，所述改进的yolov8网络模型包括依次串联的backbone模块、neck模块和head模块；

9、所述backbone模块包括依次串联的第一模块、第二模块、第三模块和第一cbs层；所述第一模块包括依次串联的第二cbs层、第三cbs层和第一dp-mobilenetv3层；所述第二模块包括依次串联的第四cbs层、第一spd-conv层和第二dp-mobilenetv3层；所述第三模块包括依次串联的第五cbs层、第二spd-conv层和第三dp-mobilenetv3层；

10、所述neck模块包括第四模块、第一c2f层、第五模块、sppf层、第二c2f层、第六cbs层、第三concat层、第三c2f层；所述第四模块包括第一concat层、第一upsample层；所述第五模块包括第二concat层、第二upsample层；其中，所述第五模块的输出输入至第一c2f层；所述第一c2f层的输出分别输入至所述第四模块和所述第三concat层；所述第四模块的输出输入至第二c2f层；所述第二c2f层的输出输入至第六cbs层；所述第六cbs层的输出输入至所述第三concat层；所述第三concat层的输出输入至所述第三c2f层；

11、所述head模块包括并行的第一detect层和第二detect层。

12、进一步地，所述第一dp-mobilenetv3层、所述第二dp-mobilenetv3层和所述第三dp-mobilenetv3层均包括依次串联的第一conv层、dwconv层、se注意力模块和第二conv层；所述se注意力模块包括pool层、第一fc层、第二fc层；所述第一conv层和所述第二conv层的卷积核均为；所述dwconv层的卷积核为；所述第一fc层采用relu激活函数；所述第二fc层采用激活函数；

13、所述第一spd-conv层、所述第二spd-conv层均包括串联的spd层和第三conv层；其中，所述第三conv层的步长为1。

14、进一步地，s2-1、获取训练无人机检测图像数据；

15、s2-2、将所述训练无人机检测图像数据依次输入至所述第二cbs层、所述第三cbs层和所述第一dp-mobilenetv3层，输出得到第一无人机检测图像特征数据；

16、s2-3、将所述第一无人机检测图像特征数据依次输入至所述第四cbs层、所述第一spd-conv层和所述第二dp-mobilenetv3层，输出得到第二无人机检测图像特征数据；

17、s2-4、将所述第二无人机检测图像特征数据依次输入至所述第五cbs层、所述第二spd-conv层和所述第三dp-mobilenetv3层，输出得到第三无人机检测图像特征数据；

18、s2-5、将所述第三无人机检测图像特征数据输入至所述第一cbs层，输出得到第四无人机检测图像特征数据；

19、s2-6、将所述第二无人机检测图像特征数据、所述第三无人机检测图像特征数据和所述第四无人机检测图像特征数据输入至所述neck模块，输出得到第一无人机检测图像融合特征数据、第二无人机检测图像融合特征数据；

20、s2-7、将所述第一无人机检测图像融合特征数据、所述第二无人机检测图像融合特征数据输入至所述head模块，输出得到最终训练无人机检测图像检测结果；

21、s2-8、基于所述最终训练无人机检测图像检测结果计算对应的wiou边框损失函数；

22、s2-9、基于所述wiou边框损失函数，对所述改进的yolov8网络模型的权重参数进行调整，完成对所述改进的yolov8网络模型的训练。

23、进一步地，所述第一dp-mobilenetv3层的处理过程为：

24、将所述第三cbs层输出的图像特征数据输入至第一conv层，得到第一卷积后的图像特征数据；

25、分离所述第一卷积后的图像特征数据的部分通道，得到第一分离后的图像特征数据和第二分离后的图像特征数据；

26、将所述第一分离后的图像特征数据输入至所述dwconv层进行，得到第二卷积后的图像特征数据；

27、将所述第二卷积后的图像特征数据和所述第二分离后的图像特征数据合并后输入至所述se注意力模块，得到对应的通道权重系数；

28、将所述通道权重系数与所述第二卷积后的图像特征数据和所述第二分离后的图像特征数据合并后的数据进行相乘，得到处理后的图像特征数据；

29、将所述处理后的图像特征数据输入至所述第二conv层，得到第三卷积后的图像特征数据；

30、将所述第三卷积后的图像特征数据与所述第三cbs层输出的图像特征数据进行合并，得到所述第一无人机检测图像特征数据；

31、所述第二dp-mobilenetv3层、所述第三dp-mobilenetv3层对应的处理过程与所述第一dp-mobilenetv3层的处理过程相同。

32、进一步地，所述第一spd-conv层的公式为：

33、；

34、；

35、；

36、；

37、；

38、其中，表示比例因子，、、、、、表示第四cbs层输出的特征图数据被比例因子整除对应的子特征图数据，表示第四cbs层输出的特征图数据的尺寸，表示对应的特征图数据，表示深度特征图数据，表示子特征图数据，即、、、、、，表示每一块的大小，表示空间转深度操作，表示卷积函数，表示第一spd-conv层的输出数据；

39、所述第二spd-conv层的公式与所述第一spd-conv层的公式一致。

40、进一步地，所述s2-6包括以下步骤：

41、s2-6-1、将所述第四无人机检测图像特征数据输入至所述sppf层，输出得到第一初始人机检测图像融合特征数据；

42、s2-6-2、将所述第一初始无人机检测图像融合特征数据、所述第三无人机检测图像特征数据输入至所述第五模块，输出得到第二初始无人机检测图像融合特征数据；

43、s2-6-3、将所述第二初始无人机检测图像融合特征数据输入至所述第一c2f层，输出得到第三初始无人机检测图像融合特征数据；

44、s2-6-4、将所述第三初始无人机检测图像融合特征数据输入至所述第四模块，输出得到第四初始无人机检测图像融合特征数据；

45、s2-6-5、将所述第四初始无人机检测图像融合特征数据输入至所述第二c2f层，输出得到第一无人机检测图像检测数据；

46、s2-6-6、将所述第一无人机检测图像检测数据输入至所述第六cbs层，输出得到第五初始无人机检测图像融合特征数据；

47、s2-6-7、将所述第五初始无人机检测图像融合特征数据、所述第三初始无人机检测图像融合特征数据输入至所述第三concat层，输出得到第六初始无人机检测图像融合特征数据；

48、s2-6-8、将所述第六初始无人机检测图像融合特征数据输入至所述第三c2f层，输出得到所述第二无人机检测图像融合特征数据。

49、进一步地，所述s2-7包括以下步骤：

50、s2-7-1、将所述第一无人机检测图像融合特征数据输入至所述第一detect层，输出得到第一无人机检测图像检测结果；

51、s2-7-2、将所述第二无人机检测图像融合特征数据输入至所述第二detect层，输出得到第二无人机检测图像检测结果；

52、s2-7-3、基于所述第一无人机检测图像检测结果和所述第二无人机检测图像检测结果，得到所述最终训练无人机检测图像检测结果。

53、进一步地，所述wiou边框损失函数为wiouv3。

54、本发明的有益效果为：

55、本发明提出一种改进的yolov8网络模型，引入空间到深度卷积（spd-conv层）和dp-mobilenetv3层至yolov8网络模型的backbone模块，在保持高效的特征提取能力的同时，减少模型的参数量与计算复杂度，进一步降低yolov8模型的大小，消除特征提取过程中的冗余信息，且保留无人机小目标的细节，提高模型的准确性和检测速度。