基于改进YOLOv5的无人机小目标检测方法研究_易华辉.pdf

基金项目：西安市智能兵器重点实验室项目（编号：2019220514SYS020CG042）收稿日期：20221016基于改进YOLOv5的无人机小目标检测方法研究*易华辉，宋文治，黄金香，王雨璇，丁瑞（西安工业大学 兵器科学与技术学院，西安710021）摘要：针对无人机航拍图像检测存在小目标检测准确率低以及检测模型计算量过大的问题，提出了一种基于改进YOLOv5的无人机小目标检测方法。首先，针对小目标存在漏检的问题，在YOLOv5的特征提取网络中引入了高效通道注意力机制（ECA）模块，提高对小目标的特征提取能力，进而提高小目标检测精度；其次，针对模型计算量大的问题，将模型中的CBL模块进行改进，把其中的普通卷积替换为Ghost卷积，减少模型参数和计算量，以便于在小型嵌入式设备部署；最后为了进一步优化和改进YOLOv5算法，采用加权损失函数，以充分学习图像特征。在DOTA数据集上进行测试，实验结果表明，改进的模型提升了小目标检测效果，其mAp为73.1%，比原算法提高了1.9%，速度达到了92 ms，可以准确地完成无人机航拍小目标检测任务，同时也满足实时性要求。关键词：小目标检测；无人机；注意力机制；Ghost卷积；损失函数中图分类号：TP391.4文献标志码：A文章编号：10099492(2023)02013906UAV Small Target Detection Based on Improved YOLOv5Yi Huahui，Song Wenzhi，Huang jinxiang，Wang Yuxuan，Ding Rui（College of Ordnance Science and Technology,Xian Technological University,Xian 710021,China）Abstract:Aiming at the problems of low accuracy of small target detection and excessive calculation of detection model in UAV aerial imagedetection,a UAV small target detection method based on the improved YOLOv5 was proposed.Firstly,aiming at the problem of misseddetection of small targets,an efficient channel attention mechanism(ECA)module was introduced in the feature extraction network of YOLOv5to improve the feature extraction ability of small targets,thereby improving the detection accuracy of small targets.Secondly,in view of theproblem of large calculation of the model,the CBL module in the model was improved,and the ordinary convolution in it was replaced withGhost convolution to reduce the model parameters and calculation amount to facilitate deployment in small embedded devices.Finally,in orderto further optimize and improve the YOLOv5 algorithm,the weighted loss function was used to fully learn the image features.Tested on theDOTA dataset,the experimental results show that the improved model improves the detection effect of small targets,and its mAp is 73.1%,which is 1.9%higher than the original algorithm,and the speed reaches 92 ms,which can accurately complete the UAV aerial photographysmall target detection task and meet the real-time requirements.Key words:small object detection;drones;attention mechanism;Ghost convolution;loss function2023年02月第52卷第02期Feb.2023Vol.52No.02机电工程技术MECHANICAL&ELECTRICAL ENGINEERING TECHNOLOGYDOI:10.3969/j.issn.1009-9492.2023.02.032易华辉，宋文治，黄金香，等.基于改进YOLOv5的无人机小目标检测方法研究 J.机电工程技术，2023，52（02）：139-144.0引言由于国家遥感和农业部门的大力推动，无人机低空航空摄影已成为一项成熟的技术，并在不同领域实施了示范项目。基于低空无人机的航空摄影具有平台小、成本低、成像分辨率高、操作方便、机动性灵活、应用范围广等优点1。它是卫星遥感的有力补充。无人机是低空航空摄影的理想平台，可以用高清传感器捕捉地面目标。图像分辨率远高于基于飞机的高空航空摄影。在较低的飞行高度，空中图像不受云层影响，使用高清相机获得的图像分辨率可以达到厘米级2。随着网络技术的快速发展，无人机图像目标检测有着广泛的应用，包括智能视频监控、森林防火、农业信息、电力线检测、考古研究、道路桥梁损伤评估、军事侦察等3。此外，无人机图像在维护社会秩序方面发挥着至关重要的作用。物联网与无人机相结合，可用于实时视频监控，以监控盲点。无人机航空图像数据量巨大，无法手动处理视频。处理视频内容的传统手动方法将导致遗漏和调试错误。因此，仅仅依靠人力资源进行检索是不现实的。近几年以来，伴随着深度学习技术快速的发展，国内外的研究者逐渐将深度学习技术应用于小目标检测。Wang 等4提出了一种基于 SSD（Single Shot MultiBox Detector）的轻量、高效的特征融合模块，在保持检测速度的情况下提升检测精度，对小目标检测效果有所提升；Gong 等5在特征金字塔网络（Feature Pyramid Network，FPN）6的基础上，添加一个融合因子描述相邻层的耦合139度，来控制深层传递浅层的信息，提高了小目标检测性能；Pang 等7提出基于多尺度融合的 Faster-RCNN 的小目标检测方法，提高了无人机对地面车辆目标的检测精度，但是模型参数较多，计算量大，实时性较低。Zhang等8提出了一种用于无人机图像目标检测的多尺度空洞卷积方法。增加了多尺度空洞卷积模块，以增加视野感知并改善网络在无人机图像中的目标分布。目标特征（例如大小和差异）的学习能力进一步提高了网络对无人机图像中多尺度和复杂背景目标的检测精度。Cui等9提出了一种改进的YOLOv3模型，结合超分辨率重建技术，用于无人机图像中的实时目标检测。该算法在复杂环境中具有较高的处理速度和鲁棒性。Qiu等10提出了一种改进的YOLOv3方法，用于无人机图像识别地面上的小目标。本文根据无人机航拍图像小目标检测的特点，由于YOLOv5具有出色的速度和精度，改进了该版本的算法，并提出基于改进YOLOv5的小目标检测方法。首先，为了提高对小目标区域的关注程度，在骨干网络的特征提取模块中加入高效通道注意力机制（ECA）11模块，以增强对小目标特征的提取能力。其次，为了减少模型参数量和计算量，将 CBL模块中的普通卷积更换为 Ghost卷积，在保证算法实时性的同时提高算法精度。最后，采用加权损失函数，以充分学习图像特征。改良后的网络结构如图1所示。2基于改进的YOLOv5无人机小目标检测YOLOv5是一种单阶段检测算法，可以一次性输出预测框的位置和类别置信度，拥有极快的检测速度和较高的检测精度，在保证算法检测速度的同时又兼顾了检测精度。然而，YOLOv5实验通常在MS COCO数据集中进行，并不完全适用于无人机图像。由于无人机图像中存在背景复杂、目标小、目标检测相互遮挡等问题12，YOLOv5算法对部分目标检测不准确，导致误检和漏检。YOLOv5框架主要由3个模块组成，包括骨干网络模块（Backbone）、颈 部 模 块（Neck）以 及 输 出 模 块（Head），如图2所示，Backbone模块用于提取图像特征；Neck 模块则是通过组合（Concat）图像特征的网络层，并将图像特征输出给Head模块；Head模块对图像特征进行预测，生成边界框并预测类别。在检测大目标具有明显的优势，而无人机航拍目标大多为小目标，为此，需要在无人机航拍目标检测任务上对原始模型进行改进。2.1基于ECA注意力机制的YOLOv5特征提取模块是目标识别中最重要的部分，由于无人机航拍图像中的目标通常比较小，为提高模型的识别精度，将高效通道注意力机制（Efficient Channel Attention，ECA）模块加入YOLOv5网络结构中的特征提取模块中，既可以强调小目标所在区域，又可以抑制不相关背景区域。ECA模块结构如图3所示，将ECA模块连接在残差块主干分支之后，首先经过一个不降低维度的通道级全局平均池化（GAP），在此基础上再利用一维稀疏卷积操作来捕获当前通道与它的k个邻域通道信息的交互，最后再使用一个Sigmoid函数生成通道权值，将原始输入特征与信道权重组合以获得具有信道关注度的特征。在无人机航拍小目标检测任务中，通过不同的卷积信道提取目标的不同特征将导致太多的训练资源被用于无小目标区域，从而导致网络的训练效率低下。为了解图1基于ECA和Ghost卷积的YOLOv5s图2YOLOv5s网络模型整体结构框架图3ECA模块结构2023年02月机 电 工 程 技 术第52卷第02期140决这一问题，本文将ECA-Net注意力添加到YOLO v5目标检测模型的特征提取层，具体网络结构如图 4所示。通过添加ECA-Net-注意力模块，将不同的权重分配给不同的卷积信道，以突出小目标特征，通过适当的跨通道交互，避免了降维对学习通道的影响，大大降低了模型的复杂度，并且通过只添加少量参数，可以实现客观的性能改进。权重的计算公式如下：i=()j=1kjiyjiyji ki（1）式中：为Sigmoid激活函数；yi为通道；wi为通道的权重；ki为yi的k个相邻通道的集合。可以通过卷积核为k的一维卷积实现有效通道注意力模块，如下：=()C1Dk()y（2）式中：C1Dk为卷积核为k的一维卷积；y为通道。通过这种结构，模型可以选择性地增强包含目标特征更多的细节，抑制不相关或弱特征。本文提出的模型如图 4 所示，在骨干网络的最后一层加入 ECA 注意力机制。2.2Ghost卷积在无人机航拍小目标的检测任务中，存在着大量重复的特征图。这些冗余的特征图对小目标检测不仅没有帮助，反而会增加检测模型的参数量，这些冗余特征图大多来源于常规卷积。因此，本文采用了Ghost卷积13去减少模型的参数和计算量以提高检测速度。Ghost卷积分为常规卷积、Ghost生成和特征图拼接3步，如图56所示。第一步：使用比较少的卷积核对输入图像的特征图进行特征提取；第二步：进一步对提取出来的这部分特征图进行线性变