论文部分内容阅读
无人机航拍目标检测在许多领域有着广泛的应用需求。本文从无人机航拍排污口目标检测入手,选择了在检测精度和速度上都表现良好的YOLOv3算法为基础。一方面,与通用目标检测数据集相比,无人机航拍图像整体目标尺度偏小,容易造成漏检和误检,为此提出了改进的Pa-YOLOv3网络,使用更低维度的特征图检测小目标,并且通过自底向上特征融合增加了高层特征的空间信息,提高了排污口目标的检测精度。另一方面,通过通道剪枝的方法对改进的Pa-YOLOv3网络进行剪枝优化,减少了模型的计算量和参数量,降低了模型所需存储空间,使得模型可以更好适用于计算性能受限的无人机平台。本文的主要工作和创新点如下:(1)针对YOLOv3算法应用在无人机航拍排污口目标检测中精度不高、存在漏检和误检的缺点,提出了改进的Pa-YOLOv3算法。无人机航拍排污口数据的目标对比通用数据集具有更小的尺寸,YOLOv3算法检测层包含的空间信息较少,不利于无人机航拍目标的准确检测。本文在YOLOv3的基础上,使用了空间信息更为丰富的4倍下采样特征图代替8倍下采样特征图检测小目标,并使用自底向上特征融合方式加强了高层特征图空间信息,有效提升了对无人机航拍排污口目标的检测精度。本文收集并制作了无人机航拍排污口数据集用于算法的性能评价。在排污口数据集上,改进Pa-YOLOv3的检测精度mAP为0.8768,对比原生YOLOv3的0.8407提高了 3.6%。由于增加了模型复杂度,在GTX1080ti上,检测速度为16.95FPS,对比原生YOLOv3的18.05FPS降低了 6.09%,为测试Pa-YOLOv3的泛化性能,在RSOD数据集上,Pa-YOLOv3 的检测精度 mAP 为 0.9017,对比 YOLOv3 提高了 1.6%。(2)针对Pa-YOLOv3模型体积大、所需存储空间大的问题,提出了使用通道剪枝的方法对改进的Pa-YOLOv3进行压缩优化。无人机平台硬件性能弱,往往需要更轻量化的模型。Pa-YOLOv3模型中使用了大量的批归一化层,将批归一化层缩放因子作为评价通道重要性的标准。通过对批归一化层的缩放因子施加正则化,使其稀疏,然后剪枝较小缩放因子对应通道的卷积核连接,从而减小模型的宽度,降低模型大小。在排污口数据集上,压缩后的Pa-YOLOv3模型参数量为1.65×107,对比初始Pa-YOLOv3 的 7.60×107 降低了 78.3%,计算量为 24.88 BFLOPS,对比 Pa-YOLOv3的45.09 BFLOPS降低了 44.8%,整个模型在硬盘上所需存储大小为64MB,对比Pa-YOLOv3的291MB降低了 78.0%。剪枝后的Pa-YOLOv3网络能够适用于硬件性能受限的无人机平台。