[发明专利]一种基于改进yolov3的无人机图像目标检测方法

说明书

本发明公开了一种基于改进yolov3的无人机图像目标检测方法，包括以下步骤：S1、针对需要应用的场景进行数据采集，并划分出训练集和验证集；S2、通过k‑means聚类方法生成九个适用于数据集的锚框；S3、对数据集进行预处理；S4、按照九个初始锚框将数据集导入到神经网络中进行训练，并用验证集检验每一轮训练后的效果，直至模型收敛；S5、通过yolov3原本的后处理模块得到预测结果，包括BBoxPostProcess和MaskPostProcess，将预测结果展现在原图像上；S6、将需要检测的图像输入训练后的小目标检测模型，得到该图像中目标的类别和位置信息，并反映到原始图像上。本发明能够充分考虑到小目标检测中小目标特征信息缺失，遮挡严重的情况，有效提高小目标检测的精度。

技术领域

本发明属于计算机视觉领域，尤其涉及一种基于改进yolov3的无人机图像目标检测方法。

背景技术

随着人工智能技术的不断发展和硬件水平的不断提高，基于深度学习的计算机视觉技术已经逐渐趋于成熟，并在医疗、安防、工业制造、无人驾驶等领域得到了广泛的应用。而现有的目标检测技术，对于距离较远的小目标检测效果并不理想，仍然有着许多需要改进的地方。

而如专利号为CN110298402 A，专利申请名称为《一种小目标检测性能优化方法》的专利文献中记载，其使用了yolo v3算法中固定的9个锚框，并不能适用于小目标检测问题，会影响小目标检测的精度。

而如专利号为CN112819010 A，专利申请名称为《一种基于yolo v3改进的小目标检测方法》的专利文献中记载，其使用了yolo v3算法中原有的特征提取网络，并没有考虑到小目标的特征信息少，Darknet-53特征提取网络信息保留能力差的问题，会影响小目标检测的精度。

基于以上内容，可知大部分学者在使用yolo v3做小目标检测的时候没有考虑到加强网络本身对于小目标特征信息的保留能力，以及网络不断地上采样和下采样对目标位置信息的损害，这对小目标检测的检测带来了很大困难，为此，我们提出了一种基于改进yolov3的无人机图像目标检测方法。

发明内容

本发明的目的是提供一种基于改进yolov3的无人机图像目标检测方法，解决了上述问题。

为了达到上述目的，本发明是通过以下技术方案实现的：

本发明提供一种基于改进yolov3的无人机图像目标检测方法，包括以下步骤：

S1、针对需要应用的场景进行数据采集，并划分出训练集和验证集；

S2、通过k-means聚类方法生成九个适用于数据集的锚框；

S3、对数据集进行预处理；

S4、按照九个初始锚框将数据集导入到神经网络中进行训练，并用验证集检验每一轮训练后的效果，直至模型收敛；

S5、通过yolov3原本的后处理模块得到预测结果，包括BBoxPostProcess和MaskPostProcess，将预测结果展现在原图像上；

S6、将需要检测的图像输入训练后的小目标检测模型，得到该图像中目标的类别和位置信息，并反映到原始图像上。

优选的，S3所述的预处理包括随机裁剪、图像翻转、归一化、随机填充图像增广操作的任一种或多种。

优选的，S3所述的预处理包括每幅图像的预处理操作和每个batch图像的图像增强操作。

优选的，S3所述的预处理设定十五种不同尺寸的图像输入：[512，544，576，608，640，672，704，736，768，800，832，864，896，928，960]，对每个所述batch图像进行随机选择不同尺寸的图像输入。