轻量级空对空无人机目标探测模型
Qing Cheng1, Yazhe Wang2, Wenjian He2
1School of Air Traffic Management, Civil Aviation Flight University of China, Guanghan, 618300, China. yzwang123@cafuc.edu.cn.
Scientific reports
|January 31, 2024
概括
本研究介绍了一种增强的YOLOv5模型,用于实时轻型无人机目标检测. 改进的模型在空对空场景中实现了高精度,这对于避免碰撞至关重要.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 越来越多的无人机使用需要强大的避免碰撞和对策策略.
- 有效的空对空无人机目标检测对于安全和运营效率至关重要.
- 现有的模型往往难以平衡嵌入式系统的准确性,速度和轻量级架构.
研究的目的:
- 为嵌入式系统开发一种轻量级且准确的无人机目标检测模型.
- 为满足对低空无人机实时空对空检测的需求.
- 在复杂的低海拔环境中提高对象检测算法的性能.
主要方法:
- 策划了一个数据集,包含了1万多张低空无人机图像,背景不同.
- 通过新的CF2-MC特征提取网络和MG融合模块增强了YOLOv5算法.
- 为了提高准确性,将CIoU损失函数替换为EIoU损失函数.
- 优化了模型以在嵌入式平台上进行轻量级物体检测,如Jetson TX2.2.
主要成果:
- 在UAVfly数据集上达到95.4%的高平均平均精度 (mAP),在Det-Fly数据集上达到82.2%.
- YOLOv5s-ngn模型显示,Jetson TX2.2.上的每个图像的平均推断速度为14.5毫秒.
- 改进后的模型成功地将检测准确度与实时处理能力相平衡.
结论:
- 开发的YOLOv5s-ngn模型在空对空无人机目标检测方面取得了重大进展.
- 轻量级架构和改进的准确性使其适合在资源有限的嵌入式设备上部署.
- 这项研究有助于在快速扩张的无人机行业中提高安全和运营能力.
