[发明专利]一种基于YoloV3的无人机航拍绝缘子目标检测方法

说明书

本发明公开了一种基于YoloV3的无人机航拍绝缘子目标检测方法，包括，基于YoloV3模型构建目标检测模型，并修改目标检测模型的网络结构；通过特征金字塔搭建目标检测模型的特征提取层，而后对特征提取层分别进行卷积和池化处理，完成目标检测模型的优化；利用优化后的目标检测模型对无人机航拍绝缘子进行目标检测；本发明基于YoloV3模型构建目标检测模型，该模型对于目标面积较小的绝缘子以及被遮挡的绝缘子有更加优异的识别效果，识别准确率更高，识别位置更精确。

技术领域

本发明涉及无人机的技术领域，尤其涉及一种基于YoloV3的无人机航拍绝缘子目标检测方法。

背景技术

目前，无人机领域具有巨大的市场价值，基于无人机航拍图像的处理技术成为研究热门课题。

传统的航拍图像使用的目标检测算法，主要采用阶段性设计的方法对图像进行区域窗口提取、特征提取和窗口分类。然而对于具有多样性表征的目标，基于滑动窗口的区域选择策略存在缺乏针对性、计算复杂度高、存在窗口冗余、鲁棒性较差等问题。在无人机航拍图像中，除了受到小尺度目标和尺度变化大等影响之外，目标对象还会受到亮度、遮挡、背景复杂多变等因素的干扰。传统的目标检测算法易于受干扰因素的影响，造成误检和漏检的情况。近些年，随着一大批深度学习算法的涌现，在目标检测、实例分割等技术上取得了突破性进步。通过深度卷积神经网络，突破了以往目标检测算法只能提取浅层特征的瓶颈。同时，显著提高了图像对于深层特征的提取能力，从而提高了复杂背景下的目标检测性能。

现有的航拍图像处理算法，大都采用卷积神经网络(CNN，Convolutional neuralnetwork)进行检测。CNN通过收集语义子特征的层次结构来生成复杂对象的特征表示。这些子特征通常可以分组形式分布在每层的特征向量，代表各种语义实体。但是，这些子特征的激活通常在空间上受到相似模式和嘈杂背景的影响，从而导致错误的定位和识别。

由于航拍静态目标的尺度变化差异大、目标遮挡等诸多极具挑战性的问题，还未找到普遍合适的解决方案，因此还需要进一步深入研究。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于YoloV3的无人机航拍绝缘子目标检测方法，能够解决对于目标面积较小的绝缘子以及被遮挡的绝缘子识别精度低的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，基于YoloV3模型构建目标检测模型，并修改目标检测模型的网络结构；通过特征金字塔搭建目标检测模型的特征提取层，而后对所述特征提取层分别进行卷积和池化处理，完成目标检测模型的优化；利用优化后的目标检测模型对无人机航拍绝缘子进行目标检测。

作为本发明所述的基于YoloV3的无人机航拍绝缘子目标检测方法的一种优选方案，其中：所述修改目标检测模型的网络结构包括，利用CSPDarknet-53网络作为目标检测模型的主干网络；选取Mish函数作为激活函数；利用CIOU作为回归损失函数。

作为本发明所述的基于YoloV3的无人机航拍绝缘子目标检测方法的一种优选方案，其中：所述Mish函数包括，

Mish＝x×tanh(ln(1+e^x))

其中，x为输入。

作为本发明所述的基于YoloV3的无人机航拍绝缘子目标检测方法的一种优选方案，其中：所述回归损失函数包括，