论文部分内容阅读
摘要：由于检测信息的不完整，导致对无人机目标的检测质量较低，为此，提出基于深度学习的无人机目标检测算法研究。通过划分网格的方式提取目标的特征信息，并以空间坐标的形式表述，在Gabor 滤波器中建立损失函数，对丢失信息进行修复后，在卷积核对提取的特征进行学习，根据Gabor对不同特征输出结果乘积值，实现对无人机目标的检测。测试结果表明，设计方法的检测精度可以达到95%以上，正确率均值可以达到91%以上。
关键词：深度学习;无人机目标;特征信息;Gabor 滤波器;损失函数;
中图分类号：V279+.2 文献标识码：A
引言
现阶段的目标识别方法主要是从环境角度对其进行研究，也有部分学者通过对识别目标进行分割处理，在局部对比的基础上实现检测，但其均对原始数据具有较高的要求[1-2]。为此，本文提出一种基于深度学习的无人机目标检测算法研究，充分考虑原始信息存在丢失的情况，借助深度学习的优势，实现对目标的检测。
1提取无人机目标特征信息
本文首先对无人机目标的特征进行提取。将无人机目标的特征表示为Di，其中，i表示检测目标的特征数。以此为基础，将待识别的目标划分为若干个单元格，在每个单元格内逐个统计目标特征所在的位置，并结合单元格边界框与特征的重叠率对每个特征出现的条件概率进行统计，这样做的目的是降低由于边界特征丢失引起的检测误差。在提取特征的过程中，每个网格会包含N个位置的边界框，本文设置每个位置边界框输出的特征值为5个，分别对应dx，dy，dw，dh以及pc，其中dx表示目标特征的x坐标;dy表示目标特征的y坐标;dw表示目标特征所在边界框的宽度;dh表示目标特征所在边界框的长度;pc表示置信度，通过pc，判断目标特征位置定位的准确性.
通过这样的方式，就可以得到以坐标为表示方式的无人机目标特征
2基于深度学习的无人机目标检测
本文使用Gabor滤波器将得到的正交信息编码到卷积核中，以上文提取到的目标特征为学习对象，以增强鲁棒性为学习目标，将具有相同位置信息特征整合到卷积核的不同网络层中，以此判断所学特征在尺度空间上的一致性。当把每一层中的卷积核在Gabor滤波器上的输出结果按元素进行乘积运算得到D值，按照原始信息的丢失程度界定检测标准。具体的判定标准为：当丢失信息大于0.5时，D>0.5，则判定其为检测目标;当丢失信息小于等于0.5时，D>0.75，则判定其为检测目标。
3应用测试
3.1测试环境设置
对无人机数据集的采集，为了降低实验的时间成本，本文使用Python复现框架对其进行搭建，对应的操作系统为Ubuntu16.04，CUDA为9.0。对原始数据进行初始化深度学习时，设置学习效率为 0.0001，最大学习率为 0.00 1，深度学习的动量因子为0.9。在测试过程中，输入的方式均采用544×544，对于算法的非极大抑制参数设置，为了降低监测误差，本文将其设置为0.45。与此同时，为了确保对检测结果评价的可靠性，分别采用精度（ACC）和正确率均值（mAP）作为评价指标。
3.2实验结果分析
在上述基础上，分别设置不同的对焦点损失值进行测试，并利用文献[2]提出的方法作为对照组，最终的测试结果如表1所示。
从表1中可以看出，对比三种方法，文献[2]方法的ACC和mAP均随着焦点损失值的增加而呈现出明显的下降趋势，且当焦点损失值达到60%时，文献[2]方法的ACC未达到90%。而本文方法的检测结果具有较高的稳定性，虽然ACC和mAP也随着焦点损失值的增加出现了一定程度的下降，但最終均可达到95.00%和91.53%，处于较高水平，表明本文设计的检测方法能够实现对无人机目标的高质量检测。
4结束语
无人机目标检测受环境等多方面因素的影响，检测结果的波动性往往较大，为了降低这种影响，将深度学习应用到对其进行研究中是十分具有优势的。本文提出基于深度学习的无人机目标检测算法研究，在获取目标特征的基础上，实现了对其的高质量识别。
参考文献
[1]王胜科，任鹏飞，吕昕，等. 基于中心点和双重注意力机制的无人机高分辨率图像小目标检测算法[J]. 应用科学学报，2021，39（04）：650-659.
[2]邢姗姗，赵文龙.基于YOLO系列算法的复杂场景下无人机目标检测研究综述[J]. 计算机应用研究，2020，37（S2）：28-30.
作者简介：
刘志军（1979-），男（汉族），山东栖霞人，大学本科学历，工程师，主要研究领域为飞机与发动机维修、无人机技术与应用。
张鑫（1978-2），男（汉族），吉林辽源人，工程硕士，讲师，研究领域为电气自动化。
雷振超（1986-），男（汉族），河南南阳人，本科学历，工程师，研究领域为飞机电子设备维修，通信工程。
基金项目：
[1]北京电子科技职业学院校内重点课题，项目代码：CJGX2020-KY-0008 项目名称：2020Z010-KXZ载重共轴旋翼无人机研制;
[2]北京电子科技职业学院校内重点课题，项目代码：CJGX2021-KY-008 项目名称：2020Z010-KXZ载重共轴旋翼无人机研制;
[3]北京电子科技职业学院校内重点课题，项目代码：CJGX2021-044-012 项目名称：SGYC02030103-基于行业职业标准的飞机维修专业课程体系研究与实践。
关键词：深度学习;无人机目标;特征信息;Gabor 滤波器;损失函数;
中图分类号：V279+.2 文献标识码：A
引言
现阶段的目标识别方法主要是从环境角度对其进行研究，也有部分学者通过对识别目标进行分割处理，在局部对比的基础上实现检测，但其均对原始数据具有较高的要求[1-2]。为此，本文提出一种基于深度学习的无人机目标检测算法研究，充分考虑原始信息存在丢失的情况，借助深度学习的优势，实现对目标的检测。
1提取无人机目标特征信息
本文首先对无人机目标的特征进行提取。将无人机目标的特征表示为Di，其中，i表示检测目标的特征数。以此为基础，将待识别的目标划分为若干个单元格，在每个单元格内逐个统计目标特征所在的位置，并结合单元格边界框与特征的重叠率对每个特征出现的条件概率进行统计，这样做的目的是降低由于边界特征丢失引起的检测误差。在提取特征的过程中，每个网格会包含N个位置的边界框，本文设置每个位置边界框输出的特征值为5个，分别对应dx，dy，dw，dh以及pc，其中dx表示目标特征的x坐标;dy表示目标特征的y坐标;dw表示目标特征所在边界框的宽度;dh表示目标特征所在边界框的长度;pc表示置信度，通过pc，判断目标特征位置定位的准确性.
通过这样的方式，就可以得到以坐标为表示方式的无人机目标特征
2基于深度学习的无人机目标检测
本文使用Gabor滤波器将得到的正交信息编码到卷积核中，以上文提取到的目标特征为学习对象，以增强鲁棒性为学习目标，将具有相同位置信息特征整合到卷积核的不同网络层中，以此判断所学特征在尺度空间上的一致性。当把每一层中的卷积核在Gabor滤波器上的输出结果按元素进行乘积运算得到D值，按照原始信息的丢失程度界定检测标准。具体的判定标准为：当丢失信息大于0.5时，D>0.5，则判定其为检测目标;当丢失信息小于等于0.5时，D>0.75，则判定其为检测目标。
3应用测试
3.1测试环境设置
对无人机数据集的采集，为了降低实验的时间成本，本文使用Python复现框架对其进行搭建，对应的操作系统为Ubuntu16.04，CUDA为9.0。对原始数据进行初始化深度学习时，设置学习效率为 0.0001，最大学习率为 0.00 1，深度学习的动量因子为0.9。在测试过程中，输入的方式均采用544×544，对于算法的非极大抑制参数设置，为了降低监测误差，本文将其设置为0.45。与此同时，为了确保对检测结果评价的可靠性，分别采用精度（ACC）和正确率均值（mAP）作为评价指标。
3.2实验结果分析
在上述基础上，分别设置不同的对焦点损失值进行测试，并利用文献[2]提出的方法作为对照组，最终的测试结果如表1所示。
从表1中可以看出，对比三种方法，文献[2]方法的ACC和mAP均随着焦点损失值的增加而呈现出明显的下降趋势，且当焦点损失值达到60%时，文献[2]方法的ACC未达到90%。而本文方法的检测结果具有较高的稳定性，虽然ACC和mAP也随着焦点损失值的增加出现了一定程度的下降，但最終均可达到95.00%和91.53%，处于较高水平，表明本文设计的检测方法能够实现对无人机目标的高质量检测。
4结束语
无人机目标检测受环境等多方面因素的影响，检测结果的波动性往往较大，为了降低这种影响，将深度学习应用到对其进行研究中是十分具有优势的。本文提出基于深度学习的无人机目标检测算法研究，在获取目标特征的基础上，实现了对其的高质量识别。
参考文献
[1]王胜科，任鹏飞，吕昕，等. 基于中心点和双重注意力机制的无人机高分辨率图像小目标检测算法[J]. 应用科学学报，2021，39（04）：650-659.
[2]邢姗姗，赵文龙.基于YOLO系列算法的复杂场景下无人机目标检测研究综述[J]. 计算机应用研究，2020，37（S2）：28-30.
作者简介：
刘志军（1979-），男（汉族），山东栖霞人，大学本科学历，工程师，主要研究领域为飞机与发动机维修、无人机技术与应用。
张鑫（1978-2），男（汉族），吉林辽源人，工程硕士，讲师，研究领域为电气自动化。
雷振超（1986-），男（汉族），河南南阳人，本科学历，工程师，研究领域为飞机电子设备维修，通信工程。
基金项目：
[1]北京电子科技职业学院校内重点课题，项目代码：CJGX2020-KY-0008 项目名称：2020Z010-KXZ载重共轴旋翼无人机研制;
[2]北京电子科技职业学院校内重点课题，项目代码：CJGX2021-KY-008 项目名称：2020Z010-KXZ载重共轴旋翼无人机研制;
[3]北京电子科技职业学院校内重点课题，项目代码：CJGX2021-044-012 项目名称：SGYC02030103-基于行业职业标准的飞机维修专业课程体系研究与实践。