(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 202210540657.1 (22)申请日 2022.05.17 (71)申请人 长春理工大 学 地址 130022 吉林省长 春市卫星路7186号 长春理工大 学南校区实训楼 211 (72)发明人 王玲　韩卓育　王鹏　白燕娥　 邱宁佳　杨迪　 (74)专利代理 机构 西安研创天下知识产权代理 事务所(普通 合伙) 61239 专利代理师 彭娜娜 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于ASPP-YOL Ov4多尺度融合的无人机图像 目标检测方法 (57)摘要 本发明公开了一种基于ASPP ‑YOLOv4多尺度 融合的无人机图像目标检测方法， 首先， 建立基 于ASPP‑YOLOv4多尺度融合的无人机图像目标检 测模型的具体操作包括以下步骤， 建立YOLOv4网 络结构； 然后将 改进的SENet网络嵌入到YOLOv4 网络结构中主干特征提取网络CSPDarknet53的 每个CSP残差块中； 接着， 在第一个CSP残差块和 第二个CSP残差块后分别输出分辨率为208*208 以及104*104的特征 图， 利用改进的ASPP下采样 降维后融入到特征金字塔网络PANet中， 得到基 于ASPP‑YOLOv4多尺度融合的无人机图像目标检 测模型； 利用该无人机图像检测模 型即可对无人 机图像中的小目标进行检测。 本发明中基于 ASPP‑YOLOv4检测方法显著地提升了小目标的检 测精度， 同时降低了漏检以及误检的概 率。 权利要求书2页 说明书9页 附图6页 CN 115100547 A 2022.09.23 CN 115100547 A 1.基于ASPP ‑YOLOv4多尺度融合的无人机图像目标检测方法， 其特征在于， 包括以下步 骤， S1： 建立基于AS PP‑YOLOv4多尺度融合的无 人机图像目标检测模型； S2： 将无人机图像尺寸调整为416*416， 输入到步骤S1中建立的无人机图像目标检测模 型中， 对无 人机图像中的目标进行检测。 2.根据权利要求1所述的基于ASPP ‑YOLOv4多尺度融合的无人机图像目标检测方法， 其 特征在于， 步骤S1的具体操作包括以下步骤， S101： 建立YOLOv4网络结构， 所述YOLOv4网络结构包括主干特征提取网络 CSPDarknet53、 特征金字塔网络PANet和YOLO  Head检测头； 所述主干特征提取网络 CSPDarknet53包括CBM卷积模块与五个CS P残差块； S102： 将改进的SENet网络嵌入到每 个CSP残差块中； S103： 在主干特征提取网络CSPDarknet53中 的第一个CSP残差块和第二个CSP残差块后 分别输出分辨率为208*208以及104*104的特征图， 经过下采样降维后融入到特征金字塔网 络PANet中， 得到基于AS PP‑YOLOv4多尺度融合的无 人机图像目标检测模型。 3.根据权利要求2所述的基于ASPP ‑YOLOv4多尺度融合的无人机图像目标检测方法， 其 特征在于， 步骤S101中所述的主干特征提取网络CSPDarknet53中， 每个所述CSP残差块有两 条残差特征融合通道， 一条通道经过CBM和m个Resunit残差堆叠处理， 另一条通道 直接经过 CBM处理， 最后两条通道再进行融合； 经过五个CSP残差块处理后得到的特征图再经过SPP， 利用不同尺度的最大池化进行处 理。 4.根据权利要求3所述的基于ASPP ‑YOLOv4多尺度融合的无人机图像目标检测方法， 其 特征在于， 步骤S102的具体操作包括以下步骤： 在每个CSP残差块的两条残差特征融合通道 后加入改进的SENet网络； 所述改进的SENet网络包括聚合掩码模块、 全局平均池化层、 两个全连接层、 ReLU激活 函数和Sim mod激活函数， 所述聚合掩码模块特 征图更关注前 景并抑制背景 特征。 5.根据权利要求4所述的基于ASPP ‑YOLOv4多尺度融合的无人机图像目标检测方法， 其 特征在于， 所述聚合掩码模块特征图更关注前景并抑制背景特征的具体操作包括以下步 骤， S1021： 将特 征图在通道维度上相加得到聚合图； S1022： 计算聚合图的平均值avg， 将聚合图中激活值Ai,j大于平均值avg的位置设置为 1， 小于平均值的位置设置为0； S1023： 最将得到的掩码图扩展为原特征图大小， 与原特征图进行加权相乘， 得到经聚 合掩码模块后的特 征图。 6.根据权利要求5所述的基于ASPP ‑YOLOv4多尺度融合的无人机图像目标检测方法， 其 特征在于， 步骤S103中下采样使用改进的并联空洞卷积ASPP 网络进行下采样， 所述改进的 并联空洞卷积ASPP网络包括一个平均池化模块和2个1*1的普通卷积以及3个空洞率为2,3, 4的空洞卷积。 7.根据权利要求6所述的基于ASPP ‑YOLOv4多尺度融合的无人机图像目标检测方法， 其 特征在于， 步骤S2的具体操作包括以下步骤， S201： 将无人机图像尺寸调整为416*416， 输入到步骤S1中建立的无人机图像目标检测权　利　要　求　书 1/2 页 2 CN 115100547 A 2模型的主干特 征提取网络 CSPDarknet53中进行特征提取； S202： 步骤S201中提取的特征图经过特征金字塔 网络PANet进行聚合， 叠加多尺度的目 标特征； S203： YOLO  Head检测头采用预测加回归的思想， 对不同大小的特征图进行预测， 从而 对不同目标进行检测。权　利　要　求　书 2/2 页 3 CN 115100547 A 3