基于改进YOLOv5的无人机检测方法

作者：王建楠; 吕胜涛; 牛健

来源：光学与光电技术, 2022, 20(05): 48-56.

DOI：10.19519/j.cnki.1672-3392.2022.05.015

• 空洞卷积
• 注意力机制
• 无人机
• 目标检测

针对小尺寸无人机目标检测精度低，且深层网络的参数量大、内存占用高等问题，提出一种基于改进YOLOv5的无人机检测方法。首先，调整了YOLOv5多尺度预测层的个数，裁剪掉冗余网络层，有效减少网络参数量，提高无人机检测速度；其次，通过在特征提取阶段引入多个不同采样率的空洞卷积，增强小目标的多尺度细节特征提取能力；最后，在多尺度特征融合阶段引入注意力机制，将深层特征进行通道加权后再与浅层特征进行高效融合，增强小目标特征表达能力。实验表明，改进的YOLOv5模型在自制数据集上mAP达到了99.02%，对于小尺寸的无人机目标，具有更好的检测效果。相较于改进前网络，检测速度提高了10.3%，内存开销节约了65%，降低了对设备计算和存储能力的要求，更加有利于无人机检测系统的工程部署和实际应用。