基于改进YOLOv8的无人机可见光小目标检测方法研究OA

目的 :为解决目前无人机可见光系统检测小目标时准确率和实时性低的问题,提出一种基于改进YOLOv8的可见光小目标检测方法。方法:选取由主干网络(Backbone)、颈部模块(Neck)和头部模块(Head)组成的YOLOv8网络作为基础框架构建AGC-YOLO模型。首先,在Backbone部分融入卷积注意力模块(convolutional block attention module,CBAM),提高模型的特征表达能力;其次,将部分传统卷积模块替换为可改变核卷积模块AKconv,减少网络参数量;最后,在Neck部分采用Gold-YOLO模块,提高对不同尺寸目标的检测能力。选用VisDrone2019数据集分别进行消融实验和对比实验,通过平均精度均值(mean average precision,mAP)、每秒传输帧数(frames per second,FPS)、每秒10亿次的浮点运算数(giga floating-point operations per second,GFLOPs)和参数量(parameters)评估AGC-YOLO模型对小目标检测的效果。结果:AGC-YOLO模型的FPS为31.90,GFLOPs和Parameters分别为9.20和11.30 M,达到无人机实时性的检测速度要求(FPS不低于30)。虽然AGC-YOLO模型的GFLOPs和Parameters比轻量化模型YOLOv8n、Ghost-YOLO和YOLO-BiFPN有所增加,但是mAP50(mAP50表示在交并比为0.5时的mAP)分别提高了15%、6%和5%。结论:提出的方法在提高检测速度、减少参数量、保障检测精度方面表现良好,在无人机可见光小目标检测方面具有良好的应用前景。