本發(fā)明屬于計算機視覺目標檢測，具體涉及一種基于改進yolov8算法的無人機航拍目標檢測方法。

背景技術：

1、無人機是一種通過遙控或地面控制系統(tǒng)進行操控的自動或半自動飛行器，其具有低成本、高機動性、便攜性、多視角和小體積等優(yōu)點，可執(zhí)行地形勘測、電力巡檢、城市巡邏和緊急救援等任務。然而，由于無人機飛行高度限制，以及通常是在大規(guī)模場景下進行航拍，無人機航拍圖像中存在小目標實例較多、拍攝背景較復雜、特征不明顯等問題，從而影響了目標檢測效果。因此，無人機目標檢測技術已成為國內外專家學者關注的研究熱點。

2、目標檢測是通過檢測算法對輸入圖像中可能存在目標的區(qū)域進行特征提取，利用預訓練的分類器輸出檢測結果。傳統(tǒng)目標檢測算法采用滑動窗口策略在給定的圖像上選擇候選區(qū)域，再對這些區(qū)域提取特征，最后使用訓練的分類器進行分類。該方法存在區(qū)域選擇策略針對性不強、時間復雜度高、魯棒性差等缺點。隨著深度學習的不斷發(fā)展，基于深度學習的目標檢測算法成為主流。目前基于深度學習的目標檢測算法可分為單階段和雙階段兩類。單階段目標檢測算法直接在輸入圖像上進行目標檢測，并輸出目標的檢測框和類別，因此具有較快的檢測速度，適用于實時應用場景。常見的單階段目標檢測算法有ssd，yolo系列等。雙階段目標檢測算法首先根據(jù)輸入圖像生成一系列候選框，然后再對候選框進行特征提取和分類，其具有更高的檢測精度，但需要較高的計算資源。常見的雙階段目標檢測算法為r-cnn系列。

3、隨著yolo系列算法的不斷改進，其檢測精度也達到甚至超過二階段算法。yolo系列前沿算法具有較高的實時性和較快的檢測速度，適合無人機航拍小目標的實時檢測，但將yolo系列前沿版本yolov8應用于無人機航拍小目標檢測仍然存在檢測精度不高的問題。

技術實現(xiàn)思路

1、為了克服以上現(xiàn)有技術存在的問題，本發(fā)明的目的在于提供一種基于改進yolov8的無人機航拍小目標檢測方法、系統(tǒng)、設備及介質，用于提高無人機航拍小目標檢測精度，保障無人機順利完成各種任務。

2、為了實現(xiàn)上述目的，本發(fā)明采用的技術方案是：

3、第一方面，提供了一種基于改進yolov8的無人機航拍小目標檢測方法，包括以下步驟：

4、步驟1，獲取無人機航拍圖像數(shù)據(jù)集；

5、步驟2，將獲取到的無人機航拍圖像數(shù)據(jù)集進行格式轉換，并劃分訓練集、驗證集和測試集；

6、步驟3，構建改進yolov8的無人機航拍小目標檢測網(wǎng)絡，該網(wǎng)絡是對yolov8網(wǎng)絡的骨干網(wǎng)絡、頸部網(wǎng)絡以及損失函數(shù)進行改進；

7、步驟4，以改進yolov8的無人機航拍小目標檢測網(wǎng)絡為檢測模型，利用訓練集和驗證集對該檢測模型進行訓練和驗證，得到最終的檢測模型；

8、步驟5，利用最終的檢測模型，以無人機航拍圖像為輸入，測試改進yolov8的無人機航拍小目標檢測模型。

9、優(yōu)選的，所述步驟1中，無人機航拍數(shù)據(jù)集為visdrone數(shù)據(jù)集，在官網(wǎng)下載公開的visdrone2019-det航拍數(shù)據(jù)集。

10、優(yōu)選的，所述步驟2中，將無人機航拍數(shù)據(jù)集文件轉換成yolo序列的txt文件，并將visdrone2019-det航拍數(shù)據(jù)集劃分訓練集、驗證集、測試集。

11、優(yōu)選的，所述步驟3中包括：

12、選擇yolov8模型作為基礎進行改進，yolov8模型的改進在四個方面：設計sr-conv模塊改進主干網(wǎng)絡、添加小目標檢測層、引入雙向特征金字塔網(wǎng)絡(bifpn)改進頸部網(wǎng)絡以及引入歸一化加權距離(normalized?weighted?distance?loss，nwd)損失函數(shù)優(yōu)化損失函數(shù)。

13、設計sr-conv模塊改進主干網(wǎng)絡：原始yolov8的骨干網(wǎng)絡在卷積和池化操作過程中會導致一定程度的細粒度信息丟失。為使得模型降低無人機圖像中小目標的誤檢及漏檢率，將空間到深度(space-to-depth，spd)層和感受野注意力卷積(rfaconv)相結合，設計了sr-conv模塊替代原有骨干網(wǎng)絡中第1層、第3層、第5層、第7層的標準卷積模塊(conv)。首先，spd層通過將輸入特征圖的空間維度映射到通道維度，同時保留了通道內的信息，避免傳統(tǒng)方法中的信息丟失。在spd層之后，采用rfaconv進行進一步的特征提取。rfaconv引入感受野注意力機制(rfa)解決了卷積核參數(shù)共享的問題，并且充分考慮感受野中每個特征在全局中的重要性，能夠自適應地調整網(wǎng)絡對不同尺度目標的關注程度，從而提高小目標和密集目標的檢測性能。sr-conv模塊結合了spd層保留通道維度中的所有信息的能力，以及rfaconv自適應地調整網(wǎng)絡對不同尺度目標的關注程度的能力，替代原始骨干網(wǎng)絡中的conv模塊，進而提取更多的小目標特征的細粒度信息。

14、添加小目標檢測層：原始yolov8網(wǎng)絡的特征融合通常從第三層特征開始，將三個不同尺度的特征圖引入頸部網(wǎng)絡進行融合，并形成三個預測頭。為了提高小目標檢測的能力，添加一個小目標檢測層，將第二層特征融合到特征融合網(wǎng)絡中，保留更多的淺層語義信息，并構成第四個應對小目標的預測頭；

15、引入bifpn改進頸部網(wǎng)絡：原始yolov8頸部層借鑒panet，采用了fpn+pan雙重特征金字塔結構對不同尺度特征進行融合，pan網(wǎng)絡中的輸入特征經(jīng)過fpn網(wǎng)絡處理過，會造成原始特征丟失，導致特征融合效率低。本發(fā)明采用bifpn網(wǎng)絡改進頸部網(wǎng)絡的特征融合方法，更好地利用原始特征信息，增強對小尺度目標特征的提取能力；

16、引入nwd損失函數(shù)優(yōu)化損失函數(shù)：yolov8算法所采用的是ciou邊界框回歸損失函數(shù)，是基于傳統(tǒng)的交并比(iou)的度量，具有一定的局限性，對于小目標標簽位置偏差非常敏感，對不同尺度目標的敏感性差異很大。為提高網(wǎng)絡對微小目標的檢測性能，引入nwd損失函數(shù)，將其與ciou損失函數(shù)結合，進而優(yōu)化損失函數(shù)。nwd在檢測微小物體方面具有尺度不變性和對位置偏差的平滑性,并且具有測量非重疊或相互包含的邊界框之間相似度的能力，可以捕捉到更多的細節(jié)和空間信息，有效提升航拍目標檢測算法性能。

17、優(yōu)選的，所述步驟4中，以改進yolov8的無人機航拍小目標檢測網(wǎng)絡作為目標檢測模型，將visdrone?det的訓練集輸入改進yolov8的無人機航拍圖像目標檢測網(wǎng)絡進行訓練，并用驗證集數(shù)據(jù)監(jiān)測模型是否過擬合，直至損失曲線收斂，完成模型的訓練，得到最終的改進yolov8的無人機航拍圖像目標檢測模型。

18、優(yōu)選的，所述步驟5中，在visdrone數(shù)據(jù)集的測試集輸入訓練好的模型權重文件，模型會在輸出的圖片上會將檢測到的目標框出并標注，獲得無人機航拍圖像目標的實際識別結果。

19、第二方面，本發(fā)明提供了一種基于改進yolov8算法的無人機航拍小目標檢測系統(tǒng)，包括:

20、數(shù)據(jù)集處理模塊：被配置為獲取無人機航拍圖像數(shù)據(jù)集，對無人機航拍圖像數(shù)據(jù)集進行預處理，得到訓練集、驗證集和測試集；

21、網(wǎng)絡構建模塊：被配置為構建基于改進yolov8算法的無人機航拍小目標檢測模型；

22、網(wǎng)絡訓練模塊：用于根據(jù)設置的網(wǎng)絡訓練參數(shù)，使用訓練集對構建的基于改進yolov8算法的無人機航拍小目標檢測模型進行訓練，訓練結束后輸出訓練權重文件。通過驗證集對訓練權重文件進行驗證，選取精度最高的訓練權重文件作為最優(yōu)權重文件，得到訓練好的基于改進yolov8算法的無人機航拍小目標檢測模型；

23、目標檢測模塊：用于將測試集和得到的最優(yōu)權重文件輸入到訓練好的基于改進yolov8算法的無人機航拍小目標檢測模型進行目標檢測，得到目標檢測結果。

24、本發(fā)明還提供了一種電子設備，包括存儲器、以及一個或多個處理器，所述存儲器用于存儲一個或多個程序；所述一個或多個程序被所述一個或多個處理器執(zhí)行時，實現(xiàn)基于改進yolov8的無人機航拍小目標檢測方法。

25、本發(fā)明還提供了一種計算機存儲介質，其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)基于改進yolov8的無人機航拍小目標檢測方法的步驟。

26、相比于現(xiàn)有技術，本發(fā)明具有以下有益效果：

27、(1)本發(fā)明構建的基于改進yolov8的無人機航拍小目標檢測方法中，將spd層和rfaconv相結合，設計了sr-conv模塊，替代原有骨干網(wǎng)絡中的conv模塊，通過將空間維度的信息轉換為深度維度并且自適應地調整網(wǎng)絡對不同尺度目標的關注程度，提取更多的小目標特征的細粒度信息。

28、(2)本發(fā)明在yolov8網(wǎng)絡中引入小目標檢測層和bifpn網(wǎng)絡改進頸部網(wǎng)絡，強化對小目標的特征提取和特征融合能力。

29、(3)本發(fā)明在yolov8網(wǎng)絡中引入nwd損失函數(shù)，將其與ciou損失函數(shù)結合作為定位回歸損失函數(shù)，加強模型對于微小目標的敏感程度。

30、綜上所述，本發(fā)明首先將spd層和rfaconv相結合，設計了sr-conv模塊，替代原有骨干網(wǎng)絡中的conv模塊，通過將空間維度的信息轉換為深度維度并且自適應地調整網(wǎng)絡對不同尺度目標的關注程度，提取更多的小目標特征的細粒度信息；其次，引入小目標檢測層和bifpn網(wǎng)絡改進頸部網(wǎng)絡，強化對小目標的特征提取和特征融合能力；最后引入nwd損失函數(shù)，將其與ciou損失函數(shù)結合作為定位回歸損失函數(shù)，加強模型對于微小目標的敏感程度。該方法可以更好地適合無人機航拍小目標檢測任務，提高無人機航拍小目標檢測的精度，具有廣泛的適用性。