(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 202210159521.6 (22)申请日 2022.02.22 (71)申请人 电子科技大 学长三角研究院 （湖州） 地址 313099 浙江省湖州市西塞山路819号 南太湖科技创新综合体B2幢8层 申请人 电子科技大 学 (72)发明人 刘伟　方黎勇　范峥荣　李昊　 (74)专利代理 机构 重庆天成卓越专利代理事务 所(普通合伙) 50240 专利代理师 王宏松 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/774(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进YOLOv4网络的无人机小目标 识别方法 (57)摘要 本发明提出了一种基于改进YOLOv4网络的 无人机小目标识别方法， 包括以下步骤： S1， 对采 集的图形进行预处理， 生 成训练数据集和测试数 据集； S2， 构建用于小目标识别模型， 所述小目标 识别模型输入为所述训练数据和测试数据， 所述 目标识别模 型输出为目标识别结果； 所述训练数 据为所述训练数据集中的数据， 所述测试数据为 所述测试数据集中的数据； S3， 输入所述训练数 据对所述小目标识别模型进行训练； S4， 输入所 述测试数据对 所述小目标识别模 型进行测试。 本 发明能够精 准识别移动的小目标物体， 且在保证 检测准确率的同时提高了 检测效率。 权利要求书3页 说明书7页 附图6页 CN 114565753 A 2022.05.31 CN 114565753 A 1.一种基于改进YOLOv4网络的无 人机小目标识别方法， 其特 征在于， 包括以下步骤： S1， 对采集的图形进行 预处理， 生成训练数据集和 测试数据集； S2， 构建用于小目标识别 模型， 所述小目标识别模型输入为所述训练数据和测试数据， 所述目标识别模型输出为 目标识别结果； 所述训练数据为所述训练数据集中的数据， 所述 测试数据为所述测试 数据集中的数据； S3， 输入所述训练数据对所述小目标识别模型进行训练； S4， 输入所述测试 数据对所述小目标识别模型进行测试。 2.根据权利要求1所述的一种基于改进YOLOv4网络的无人机小目标识别方法， 其特征 在于， 所述S1包括： S1‑1， 采集无 人机图像； S1‑2， 使用标注工具对每张图片的无 人机位置信息进行 标注， 得到标注文件； S1‑3， 对标注文件进行格式转换， 得到数据集； S1‑4， 将数据集分为训练数据集和 测试数据集。 3.根据权利要求1所述的一种基于改进YOLOv4网络的无人机小目标识别方法， 其特征 在于， 所述S1还 包括： 将图片先使用图像处理算法获取包含边缘特征的灰度化图像， 所述图像处理算法包括 灰度化、 二 值化、 腐蚀、 膨胀、 去噪、 边 缘检测之一或者任意组合； 再将所述包含边缘特征的灰度化图像的通道图像与原始三通道图像进行融合， 得到一 个包含边缘特征的四通道图像作为小目标识别模型的输入。 4.根据权利要求1所述的一种基于改进YOLOv4网络的无人机小目标识别方法， 其特征 在于， 所述小目标识别模型包括： 主干网络、 特征提取网络、 检测头网络， 主干网络的数据输出端与特征提取网络的数据 输入端相连， 特 征提取网络的数据输出端与检测头网络的数据输入端相连， 所述主干网络采用2个CS P结构用于特 征提取， 所述CSP结构由4个CB L和一个Res  unit以及 一个concat组成， concat层融合第一个CBL 和第三个CBL输出的特 征图； 所述Res unit包括一个深度可分离卷积层DW； 和/或采用剪枝技术剔除所述特征提取网络中特征融合网络的层数， 使所述特征融合 网络为16层； 所述特征融合网络包括： 将主干网络的输出特征图与 特征提取网络输出的特征图进行 上采样再进行 特征融合； 所述检测头网络包括： 采用输出的特 征图分辨 率为 输入图像分辨 率的检测头 。 5.根据权利要求4所述的一种基于改进YOLOv4网络的无人机小目标识别方法， 其特征 在于， 所述特 征融合网络包括： 在对YOLO  v4网络进行剪枝操作后， 将第n层主干网络的输出特征图与第m层特征提取 网络输出的特 征图进行 下采样再进行 特征融合， 具体融合式子如下：权　利　要　求　书 1/3 页 2 CN 114565753 A 2LOUT是进行co ncat特征融合后输出的特 征图； ⊙表示融合符号； 是指网络中第n层卷积层输出的i维特 征图； 是指网络中第m层卷积层输出的j维特 征图。 6.根据权利要求1所述的一种基于改进YOLOv4网络的无人机小目标识别方法， 其特征 在于， 所述小目标识别模型还 包括： 使用深度可分离卷积替换YOLO  v4中的标准卷积 操作， 所述深度可分离卷积包括逐通道卷积和逐点卷积； 所述逐通道卷积是指每 个卷积核只负责一个单一 通道， 主要负责滤波； 所述逐点卷积是对上一层的特 征图在深度方向进行加权组合， 生成新的特 征图； 所述深度可分离卷积具体 计算方式如下： Bflopsdw＝(W×H×C)×(Fw×Fh)+C×Fn 其中Bflopsdw表示深度可分离卷积的运 算量； W表示特征图的长； H表示特征图的宽； C表示特征图的通道数； Fw表示卷积核的长； Fh表示卷积核的宽； Fn表示卷积核个数。 7.根据权利要求1所述的一种基于改进YOLOv4网络的无人机小目标识别方法， 其特征 在于， 所述小目标识别模型包括损失函数， 所述损失函数包括： Loss＝Losscood+Lossconf+Losscls 其中Losscood表示坐标损失； Lossconf表示置信度损失； Losscls表示分类损失。 8.根据权利要求7所述的一种基于改进YOLOv4网络的无人机小目标识别方法， 其特征 在于， 所述 坐标损失包括： Losscood＝1‑IOU(A,B)+ρ2(Actr,Bctr)/c2+α υ 其中IOU(A,B)是计算A和B的交并比； A为标注框；权　利　要　求　书 2/3 页 3 CN 114565753 A 3