一种用于机场净空域无人机的小目标检测方法及系统

摘要: 本发明属于图像识别,涉及小目标的图像识别,尤其是一种用于机场净空域无人机的小目标检测方法及系统。背景技术:1、机场净空域无人机与飞鸟目标检测对保障航空安全具有重...
一种用于机场净空域无人机的小目标检测方法及系统

本发明属于图像识别,涉及小目标的图像识别,尤其是一种用于机场净空域无人机的小目标检测方法及系统。

背景技术:

1、机场净空域无人机与飞鸟目标检测对保障航空安全具有重要意义。随着无人机技术的快速发展,无人机在巡检、监测以及信息采集等领域得到广泛应用,但未经授权的无人机或飞鸟等小目标进入机场净空域会对航空器运行安全造成严重威胁。传统的小目标检测方法基于深度学习,通常采用多尺度特征融合策略,但仍存在以下问题:

2、1.机场净空域小目标检测方法由于无人机和飞鸟目标尺寸小、有效像素信息有限,目标特征表达能力不足,容易导致漏检和误检问题;

3、2.detr类检测方法深层语义特征与浅层结构特征之间存在语义差异,不能有效实现跨层级信息交互,导致浅层细节信息无法充分补充至深层语义表示;

4、3.多尺度特征融合方法通常采用简单融合方式,不能根据目标检测需求自适应增强目标相关区域特征,复杂背景条件下目标与背景区分能力不足;

5、4.检测网络在特征提取过程中容易丢失无人机和飞鸟目标的局部边缘、纹理以及空间结构信息,不能有效提升小目标细节特征表达能力。

技术实现思路

1、本发明的目的在于克服现有技术的不足,提供一种识别精准、可靠性高的用于机场净空域无人机的小目标检测方法及系统。

2、为解决上述问题,本发明的技术方案为:

3、一种用于机场净空域无人机的小目标检测方法,包括以下步骤:

4、获取机场净空域场景下的小目标图像数据,构建初始目标检测网络,对初始目标检测网络进行训练,获得机场净空域无人机的小目标检测模型;

5、将待检测图像输入小目标检测模型,对待检测图像进行多层级特征提取,获取浅层特征和深层特征;

6、将深层特征输入小目标检测模型的层次化细节互补模块,对浅层特征和深层特征进行信息关联,使得浅层特征中的局部结构信息补充至深层特征中,获得增强后的深层特征;

7、将浅层特征输入小目标检测模型的局部细节细化模块,通过多方向局部结构提取方式进行细节增强,通过通道注意力机制对增强后的局部特征进行自适应调整,获得增强后的浅层特征;

8、将增强后的深层特征、增强后的浅层特征输入至小目标检测模型的跨尺度融合模块,通过不同尺度特征之间的信息交互获得融合特征;

9、将融合特征输入至检测头,通过端到端集合预测方式输出待检测目标的类别信息、置信度信息以及目标边界框坐标信息,实现机场净空域无人机的小目标检测。

10、在进一步的实施例中,获取机场净空域场景下的小目标图像数据,构建初始目标检测网络,对初始目标检测网络进行训练,获得机场净空域无人机的小目标检测模型,具体包括:

11、对小目标图像数据进行预处理,构建训练样本集;

12、基于实时检测构建初始目标检测网络;

13、通过训练样本集对初始目标检测网络进行训练。

14、在进一步的实施例中,将待检测图像输入小目标检测模型,对待检测图像进行多层级特征提取,获取浅层特征和深层特征,具体包括:

15、通过小目标检测模型的骨干网络对输入的待检测图像进行多层级特征提取,获得不同尺度下包含目标空间结构信息和语义信息的特征图;

16、将特征图输入aifi特征编码模块,通过transformer编码结构建立不同位置特征之间的全局关联关系,对特征图的语义信息进行增强,得到具有全局上下文信息的编码特征;

17、通过编码特征获取浅层特征和深层特征。

18、在进一步的实施例中,浅层特征包括目标边缘、纹理以及空间结构信息;

19、深层特征包括目标类别相关的高层语义信息。

20、在进一步的实施例中,将深层特征输入小目标检测模型的层次化细节互补模块,对浅层特征和深层特征进行信息关联,使得浅层特征中的局部结构信息补充至深层特征中,获得增强后的深层特征,具体包括:

21、层次化细节互补模块对不同尺度下的特征图进行交互融合操作;

22、将浅层特征和深层特征对应的特征图进行关联映射,以深层特征为查询信息,将浅层特征作为键和值,通过跨尺度语义交互增强深层特征的表示能力。

23、在进一步的实施例中,跨尺度语义交互通过多头交叉注意力机制计算深层特征与浅层特征之间的相关性,使骨干网络自适应选择与小目标相关的边缘、纹理及空间结构信息,并将有效细节信息补偿至深层特征中,提高卷积及特征编码过程中目标有效信息的占比和特征响应强度。

24、在进一步的实施例中,将浅层特征和深层特征对应的特征图进行关联映射,以深层特征为查询信息,将浅层特征作为键和值,通过跨尺度语义交互增强深层特征的表示能力,具体包括:

25、将经过aifi模块编码后的深层特征作为查询特征,将骨干网络输出的浅层特征分别作为键特征和值特征,并通过线性映射生成对应的特征表示;

26、根据生成的特征表示计算深层特征与浅层特征之间的相关性,并利用跨尺度交互结果获得增强后的深层特征。

27、在进一步的实施例中,将浅层特征和深层特征对应的特征图进行关联映射,以深层特征为查询信息,将浅层特征作为键和值,通过跨尺度语义交互增强深层特征的表示能力,还包括:

28、将增强后的深层特征输入检测引导特征增强模块;

29、通过通道维度和空间维度对增强后的深层特征进行自适应调整。

30、在进一步的实施例中,小目标检测的对象至少包括无人机和飞鸟。

31、一种用于机场净空域无人机的小目标检测系统,使用用于机场净空域无人机的小目标检测方法,包括:

32、检测模型获取模块,适于获取机场净空域场景下的小目标图像数据,构建初始目标检测网络,对初始目标检测网络进行训练,获得机场净空域无人机的小目标检测模型;

33、多尺度特征提取模块,适于将待检测图像输入小目标检测模型,对待检测图像进行多层级特征提取,获取浅层特征和深层特征;

34、层次化与局部细节增强模块,适于将深层特征输入小目标检测模型的层次化细节互补模块,将浅层特征输入小目标检测模型的局部细节细化模块,获得增强后的深层特征、增强后的浅层特征;

35、多尺度特征融合模块,适于将增强后的深层特征、增强后的浅层特征输入至小目标检测模型的跨尺度融合模块,通过不同尺度特征之间的信息交互获得融合特征;

36、目标类别及位置信息获取模块,适于将融合特征输入至检测头,通过端到端集合预测方式输出待检测目标的类别信息、置信度信息以及目标边界框坐标信息,实现机场净空域无人机的小目标检测。

37、与现有技术相比,本发明的有益效果是:

38、1.本检测方法基于层次化与局部细节增强detr,首先设定hld-detr网络初始参数,利用机场净空域无人机与飞鸟目标数据集对网络进行训练,获得小目标检测模型;将待检测图像输入该模型后,通过rt-detr骨干网络进行多尺度特征提取,获得包含不同层级语义信息和结构信息的特征图;随后,将提取的多层级特征分别输入本发明提出的hdcm层次化细节互补模块和ldrm局部细节细化模块,分别实现深层语义特征与浅层结构特征的跨层级交互补偿,以及目标局部边缘、纹理和细粒度结构信息的增强;最后将增强后的多尺度特征输入transformer检测头进行目标分类与位置回归,输出目标类别、置信度及检测框坐标信息。通过上述步骤,有效解决了小目标检测中细节信息丢失和深浅层特征融合不足的问题,显著提升了复杂背景下无人机小目标的检测精度。

39、2.本检测方法显著提升机场净空域无人机小目标的检测精度。针对无人机目标尺寸小、有效特征稀少的问题,通过hdcm模块将浅层空间结构信息有效补偿至深层语义空间,同时通过ldrm模块增强目标边缘与纹理细节,使最终融合特征中目标信息占比大幅提高。实验结果表明,本发明方法在ub-sod数据集上ap达到44.4%,ap50达到86.8%,ap75达到40.0%;在visdrone2019数据集上ap达到31.6%,ap50达到51.0%,均优于现有检测方法,能够满足机场净空域无人机目标实时检测的精度需求。

40、3.本检测方法有效缓解深浅层特征融合不充分的问题。hdcm层次化细节互补模块通过跨尺度语义交互csi机制,以深层语义特征为引导,自适应地从浅层特征中选取与目标相关的边缘、纹理及空间结构信息,并将其注入深层语义表示中,避免了传统特征金字塔融合过程中浅层细节逐层传递时逐渐衰减的问题。同时,该模块中的检测引导特征增强子模块从通道和空间两个维度对融合特征进行自适应调整,进一步突出目标区域响应,抑制复杂背景干扰,提升了特征表示的质量。

41、4.本检测方法充分挖掘小目标的局部细节信息。ldrm局部细节细化模块采用三支并行的深度可分离卷积结构(3×3、1×5、5×1),分别从中心区域、水平方向和垂直方向提取目标的局部纹理、边缘及几何结构特征,并通过通道注意力机制自适应筛选有效特征通道,使网络能够充分学习小尺寸无人机和飞鸟的细粒度结构信息。该模块有效解决了小目标局部细节容易在卷积下采样过程中丢失的问题,为目标分类和定位提供了更加丰富的特征支撑。

42、5.本检测方法采用了端到端的检测架构简化了训练与部署流程。基于rt-detr框架,采用transformer检测头通过目标查询机制直接输出目标的类别、置信度和边界框坐标信息,无需手工设计锚框和后处理非极大值抑制操作,实现了真正意义上的端到端集合预测。整个检测网络结构简洁、训练过程稳定,易于在不同硬件平台上进行工程化部署和迁移应用。

43、6.本检测方法具有良好的泛化能力和场景适应性,在ub-sod机场净空域专用数据集和visdrone2019公开无人机数据集上均取得了优异表现。ub-sod数据集侧重于机场净空域特定场景,visdrone2019数据集涵盖不同视角、不同光照条件和不同飞行高度下的无人机目标,跨数据集实验验证了本发明方法对不同场景、不同尺度和不同目标状态的适应能力,表明该方法具有较强的泛化性能,可广泛应用于机场净空域安全监测、低空无人机防控等多种实际场景。

44、7.本检测方法通过模型轻量化设计便于实时检测需求,在特征增强过程中采用深度可分离卷积、局部跨通道一维卷积等轻量化操作,在提升特征表达能力的同时,有效控制了计算复杂度和参数量,使模型在保持较高检测精度的前提下具备较快的推理速度,满足机场净空域对无人机目标实时检测和快速响应的工程应用需求。