(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210186976.7 (22)申请日 2022.02.28 (71)申请人 河海大学 地址 210024 江苏省南京市 鼓楼区西康路1 号 (72)发明人 陈嘉琪　吴瑞康　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 孟红梅 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的低空安防目标检测方 法与系统 (57)摘要 本发明公开了一种基于深度学习的低空安 防目标检测方法与系统， 本发明构建了用于低空 安防目标检测的AD ‑YOLOv5s模型， 并对训练好的 模型进行优化加速以适用于嵌入式设备。 本发明 构建的AD ‑YOLOv5s模型在YOLOv5s模型基础上进 行了改进， 在特征提取网络中， 引入ghost模块， 构建ghost ‑bottleneckCSP结构， 并用其替换原 始的bottleneckCSP结构， 同时引入CBAM注意力 模块提高检测精度； 在特征融合网络中， 增加了 上采样操作以生成更大尺寸的特征图， 以及相应 的PAN结构， 以适合低空安防检测微小目标的任 务。 与现有 技术相比， 本发明具有检测精度高， 实 时性好， 部署成本低等优点。 权利要求书2页 说明书12页 附图4页 CN 114792390 A 2022.07.26 CN 114792390 A 1.一种基于深度学习的低空安防目标检测方法， 其特 征在于， 包括如下步骤： 构建用于低空安防目标检测的AD ‑YOLOv5s模型， 并利用无人机检测数据集进行训练； 将训练好的网络模型进行优化加速； 利用优化后模型对 采集的图像数据进行目标检测； 其中AD‑YOLOv5s模型在YOLOv5s模型基础上进行改进， 包括： 在特征提取网络中， 引入 ghost模块， 结合瓶颈 结构以及CSP结构的思想， 构建一个全新的模块gho st‑bottleneckCSP 结构， 并用其替换原始的bottleneckCSP结构， 并在每一个ghost ‑bottleneckCSP结构前引 入CBAM注意力模块， 利用通道注意力以及空间注意力完成对特征图的加权提取； 在特征融 合网络中， 首先利用特征增强的方式对模型进行性能提升， 具体操作为在两次上采样操作 后多进行一次上采样操作生成第四尺寸大小的特征图， 并新增一段从第四尺寸到第三尺寸 大小的特征图的PA N结构， 删除从第二尺寸到第一尺 寸大小的PA N结构； 在检测头结构中， 删 除特征图大小为第一尺寸的检测头， 新增第四尺寸大小的检测头； 其中第一尺寸至第四尺 寸的大小依次增大。 2.根据权利要求1所述的基于深度学习的低空安防目标检测方法， 其特征在于， 所述 ghost‑bottleneckCSP结构， 将输入分为两个支路， 其中一支经过一个标准的GBL模块， 随后 经过ghost ‑bottleneck结构， 并利用批量归一化操作减少内部协变量偏移， 与另一只经过 常规卷积的分支进行concat操作； 其中标准的GBL模块为ghost模块+批量归一化操作+ Leaky Relu激活函数； ghost ‑bottleneck结构主要由两个堆叠 的ghost模块组成， 第一个 ghost模块用作扩展层， 增加了通道数； 第二个用于减少通道数， 用以与直连路径匹配； 在第 一个ghost模块后面加 入批量归一化操作和Leaky  Relu激活函数， 第二个模块只添加批量 归一化； 经过两个ghost模块后， 利用残差结构与输入进行 特征叠加。 3.根据权利要求1所述的基于深度学习的低空安防目标检测方法， 其特征在于， 所述 CBAM注意力模块通过采 取全局平均池化操作以及 全局最大池化操作， 分别 在通道维度以及 空间维度上丰富提取的高层次特征， 并在分别得到空间与通道的权重后加权至初始特征 上， 完成特 征的双重注意力调整。 4.根据权利要求1所述的基于深度学习的低空安防目标检测方法， 其特征在于， 在特征 融合网络中， 引入深度可分离卷积替换原 始卷积操作。 5.根据权利要求1所述的基于深度学习的低空安防目标检测方法， 其特征在于， 训练模 型用的无人机检测数据集在现有的无人机检测数据集UAV  dataset上进行改进， 删除重复 图片， 通过查阅公开数据来收集并标注包含无人机飞行 的图像， 并进行数据增强以扩充数 据集。 6.根据权利要求1所述的基于深度学习的低空安防目标检测方法， 其特征在于， 将训练 好的AD‑YOLOv5s模型通过TensorRT优化器进行优化加速 。 7.根据权利要求1所述的基于深度学习的低空安防目标检测方法， 其特征在于， 将优化 加速后的模型部署在嵌入式设备 上。 8.一种基于深度学习的低空安防目标检测系统， 其特 征在于， 包括： 模型构建与训练单元， 构建用于低空安防目标检测的AD ‑YOLOv5s模型， 并利用无人机 检测数据集进行训练； 优化处理单元， 用于将训练好的网络模型进行优化加速； 以及目标检测单 元， 用于利用优化后模型对 采集的图像数据进行目标检测；权　利　要　求　书 1/2 页 2 CN 114792390 A 2其中AD‑YOLOv5s模型在YOLOv5s模型基础上进行改进， 包括： 在特征提取网络中， 引入 ghost模块， 结合瓶颈 结构以及CSP结构的思想， 构建一个全新的模块gho st‑bottleneckCSP 结构， 并用其替换原始的bottleneckCSP结构， 并在每一个ghost ‑bottleneckCSP结构前引 入CBAM注意力模块， 利用通道注意力以及空间注意力完成对特征图的加权提取； 在特征融 合网络中， 首先利用特征增强的方式对模型进行性能提升， 具体操作为在两次上采样操作 后多进行一次上采样操作生成第四尺寸大小的特征图， 并新增一段从第四尺寸到第三尺寸 大小的特征图的PA N结构， 删除从第二尺寸到第一尺 寸大小的PA N结构； 在检测头结构中， 删 除特征图大小为第一尺寸的检测头， 新增第四尺寸大小的检测头； 其中第一尺寸至第四尺 寸的大小依次增大。 9.一种基于深度学习的低空安防目标检测设备， 其特征在于， 所述设备中存储有训练 好的并经过优化加速后的用于低空安防目标检测的AD ‑YOLOv5s模 型， 用于对采集的图像数 据进行目标检测； 其中AD ‑YOLOv5s模型在YOLOv5s模型基础上进行改进， 包括： 在特征提取 网络中， 引入ghost模块， 结合瓶颈结构以及CSP结构的思想， 构建一个全新的模块ghost ‑ bottleneckCSP结构， 并用其替换原始的bottleneckCSP结构， 并在每一个ghost ‑ bottleneckCSP结构前引入CBAM注意力模块， 利用通道注意力以及空间注意力完成对特征 图的加权提取； 在特征融合网络中， 首先利用特征增强的方式对模型进 行性能提升， 具体操 作为在两次上采样操作后多进 行一次上采样操作生成第四尺寸大小的特征图， 并新增一段 从第四尺 寸到第三尺寸大小的特征图的PA N结构， 删除从第二尺 寸到第一尺 寸大小的PAN结 构； 在检测头结构 中， 删除特征图大小为第一尺寸的检测头， 新增第四尺寸大小的检测头； 其中第一尺寸至第四尺寸的大小依次增大。 10.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述计算机程序被加载至处理器时实现根据权利要求 1‑7任一项所述 的基于深度学习的低空安防目标检测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114792390 A 3