基于深度學(xué)習(xí)的無人機(jī)目標(biāo)檢測算法研究

劉志軍 張鑫 雷振超

摘要：由于檢測信息的不完整，導(dǎo)致對無人機(jī)目標(biāo)的檢測質(zhì)量較低，為此，提出基于深度學(xué)習(xí)的無人機(jī)目標(biāo)檢測算法研究。通過劃分網(wǎng)格的方式提取目標(biāo)的特征信息，并以空間坐標(biāo)的形式表述，在Gabor 濾波器中建立損失函數(shù)，對丟失信息進(jìn)行修復(fù)后，在卷積核對提取的特征進(jìn)行學(xué)習(xí)，根據(jù)Gabor對不同特征輸出結(jié)果乘積值，實現(xiàn)對無人機(jī)目標(biāo)的檢測。測試結(jié)果表明，設(shè)計方法的檢測精度可以達(dá)到95%以上，正確率均值可以達(dá)到91%以上。

關(guān)鍵詞：深度學(xué)習(xí);無人機(jī)目標(biāo);特征信息;Gabor 濾波器;損失函數(shù);

中圖分類號：V279+.2 ? 文獻(xiàn)標(biāo)識碼：A

引言

現(xiàn)階段的目標(biāo)識別方法主要是從環(huán)境角度對其進(jìn)行研究，也有部分學(xué)者通過對識別目標(biāo)進(jìn)行分割處理，在局部對比的基礎(chǔ)上實現(xiàn)檢測，但其均對原始數(shù)據(jù)具有較高的要求[1-2]。為此，本文提出一種基于深度學(xué)習(xí)的無人機(jī)目標(biāo)檢測算法研究，充分考慮原始信息存在丟失的情況，借助深度學(xué)習(xí)的優(yōu)勢，實現(xiàn)對目標(biāo)的檢測。

1提取無人機(jī)目標(biāo)特征信息

本文首先對無人機(jī)目標(biāo)的特征進(jìn)行提取。將無人機(jī)目標(biāo)的特征表示為Di，其中，i表示檢測目標(biāo)的特征數(shù)。以此為基礎(chǔ)，將待識別的目標(biāo)劃分為若干個單元格，在每個單元格內(nèi)逐個統(tǒng)計目標(biāo)特征所在的位置，并結(jié)合單元格邊界框與特征的重疊率對每個特征出現(xiàn)的條件概率進(jìn)行統(tǒng)計，這樣做的目的是降低由于邊界特征丟失引起的檢測誤差。在提取特征的過程中，每個網(wǎng)格會包含N個位置的邊界框，本文設(shè)置每個位置邊界框輸出的特征值為5個，分別對應(yīng)dx，dy，dw，dh以及pc，其中dx表示目標(biāo)特征的x坐標(biāo);dy表示目標(biāo)特征的y坐標(biāo);dw表示目標(biāo)特征所在邊界框的寬度;dh表示目標(biāo)特征所在邊界框的長度;pc表示置信度，通過pc，判斷目標(biāo)特征位置定位的準(zhǔn)確性.

通過這樣的方式，就可以得到以坐標(biāo)為表示方式的無人機(jī)目標(biāo)特征

2基于深度學(xué)習(xí)的無人機(jī)目標(biāo)檢測

本文使用Gabor濾波器將得到的正交信息編碼到卷積核中，以上文提取到的目標(biāo)特征為學(xué)習(xí)對象，以增強(qiáng)魯棒性為學(xué)習(xí)目標(biāo)，將具有相同位置信息特征整合到卷積核的不同網(wǎng)絡(luò)層中，以此判斷所學(xué)特征在尺度空間上的一致性。當(dāng)把每一層中的卷積核在Gabor濾波器上的輸出結(jié)果按元素進(jìn)行乘積運算得到D值，按照原始信息的丟失程度界定檢測標(biāo)準(zhǔn)。具體的判定標(biāo)準(zhǔn)為：當(dāng)丟失信息大于0.5時，D>0.5，則判定其為檢測目標(biāo);當(dāng)丟失信息小于等于0.5時，D>0.75，則判定其為檢測目標(biāo)。

3應(yīng)用測試

3.1測試環(huán)境設(shè)置

對無人機(jī)數(shù)據(jù)集的采集，為了降低實驗的時間成本，本文使用Python復(fù)現(xiàn)框架對其進(jìn)行搭建，對應(yīng)的操作系統(tǒng)為Ubuntu16.04，CUDA為9.0。對原始數(shù)據(jù)進(jìn)行初始化深度學(xué)習(xí)時，設(shè)置學(xué)習(xí)效率為 0.0001，最大學(xué)習(xí)率為 0.00 1，深度學(xué)習(xí)的動量因子為0.9。在測試過程中，輸入的方式均采用544×544，對于算法的非極大抑制參數(shù)設(shè)置，為了降低監(jiān)測誤差，本文將其設(shè)置為0.45。與此同時，為了確保對檢測結(jié)果評價的可靠性，分別采用精度（ACC）和正確率均值（mAP）作為評價指標(biāo)。

3.2實驗結(jié)果分析

在上述基礎(chǔ)上，分別設(shè)置不同的對焦點損失值進(jìn)行測試，并利用文獻(xiàn)[2]提出的方法作為對照組，最終的測試結(jié)果如表1所示。

從表1中可以看出，對比三種方法，文獻(xiàn)[2]方法的ACC和mAP均隨著焦點損失值的增加而呈現(xiàn)出明顯的下降趨勢，且當(dāng)焦點損失值達(dá)到60%時，文獻(xiàn)[2]方法的ACC未達(dá)到90%。而本文方法的檢測結(jié)果具有較高的穩(wěn)定性，雖然ACC和mAP也隨著焦點損失值的增加出現(xiàn)了一定程度的下降，但最終均可達(dá)到95.00%和91.53%，處于較高水平，表明本文設(shè)計的檢測方法能夠?qū)崿F(xiàn)對無人機(jī)目標(biāo)的高質(zhì)量檢測。

4結(jié)束語

無人機(jī)目標(biāo)檢測受環(huán)境等多方面因素的影響，檢測結(jié)果的波動性往往較大，為了降低這種影響，將深度學(xué)習(xí)應(yīng)用到對其進(jìn)行研究中是十分具有優(yōu)勢的。本文提出基于深度學(xué)習(xí)的無人機(jī)目標(biāo)檢測算法研究，在獲取目標(biāo)特征的基礎(chǔ)上，實現(xiàn)了對其的高質(zhì)量識別。

參考文獻(xiàn)

[1]王勝科，任鵬飛，呂昕，等. 基于中心點和雙重注意力機(jī)制的無人機(jī)高分辨率圖像小目標(biāo)檢測算法[J]. 應(yīng)用科學(xué)學(xué)報，2021，39（04）：650-659.

[2]邢姍姍，趙文龍.基于YOLO系列算法的復(fù)雜場景下無人機(jī)目標(biāo)檢測研究綜述[J]. 計算機(jī)應(yīng)用研究，2020，37（S2）：28-30.

作者簡介：

劉志軍（1979-），男（漢族），山東棲霞人，大學(xué)本科學(xué)歷，工程師，主要研究領(lǐng)域為飛機(jī)與發(fā)動機(jī)維修、無人機(jī)技術(shù)與應(yīng)用。

張鑫（1978-2），男（漢族），吉林遼源人，工程碩士，講師，研究領(lǐng)域為電氣自動化。

雷振超（1986-），男（漢族），河南南陽人，本科學(xué)歷，工程師，研究領(lǐng)域為飛機(jī)電子設(shè)備維修，通信工程。

基金項目：

[1]北京電子科技職業(yè)學(xué)院校內(nèi)重點課題，項目代碼：CJGX2020-KY-0008 項目名稱：2020Z010-KXZ載重共軸旋翼無人機(jī)研制;

[2]北京電子科技職業(yè)學(xué)院校內(nèi)重點課題，項目代碼：CJGX2021-KY-008 項目名稱：2020Z010-KXZ載重共軸旋翼無人機(jī)研制;

[3]北京電子科技職業(yè)學(xué)院校內(nèi)重點課題，項目代碼：CJGX2021-044-012 項目名稱：SGYC02030103-基于行業(yè)職業(yè)標(biāo)準(zhǔn)的飛機(jī)維修專業(yè)課程體系研究與實踐。