(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 202210350981.7 (22)申请日 2022.04.02 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 马峻　王晓　徐翠锋　陈寿宏　 (74)专利代理 机构 桂林文必达专利代理事务所 (特殊普通 合伙) 45134 专利代理师 白洪 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/40(2022.01) G06V 10/40(2022.01) G06V 10/774(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YOLOV5算法的无 人机检测方法 (57)摘要 本发明涉及目标检测技术领域， 具体涉及一 种基于YOLOV 5算法的无人机检测方法， 包 括采集 无人机图像数据， 并对所述图像数据进行筛选和 标注， 得到训练集和验证集； 利用所述训练集和 所述测试集对网络模型进行训练， 得到检测模 型； 利用所述检测模型对无人机视频进行检测， 得到检测结果， 经所述训练集和所述测试集训练 得到的所述检测模型能够提高对无人机等小目 标在复杂背景或聚集情况下的检测准确率， 减少 误检、 漏检的概率， 解决现有的无人机检测技术 对小目标不敏感， 在目标密集的情况下， 检测误 差较大的问题。 权利要求书1页 说明书5页 附图2页 CN 114758255 A 2022.07.15 CN 114758255 A 1.一种基于 YOLOV5算法的无 人机检测方法， 其特 征在于， 包括以下步骤： 采集无人机图像数据， 并对所述图像数据进行筛 选和标注， 得到训练集和验证集； 利用所述训练集和所述测试集对网络模型进行训练， 得到检测模型； 利用所述检测模型对无 人机视频进行检测， 得到检测结果。 2.如权利要求1所述的基于 YOLOV5算法的无 人机检测方法， 其特 征在于， 所述采集无 人机图像数据， 并对所述图像数据进行筛 选和标注的具体方式为： 采集无人机图像数据， 并对所述图像数据进行筛 选和标注， 得到数据集； 将所述数据集划分为训练集和验证集。 3.如权利要求1所述的基于 YOLOV5算法的无 人机检测方法， 其特 征在于， 所述网络模型包括 Input输入端、 Backbo ne部分、 Neck部分和Head部分。 4.如权利要求3所述的基于 YOLOV5算法的无 人机检测方法， 其特 征在于， 所述利用所述训练集和所述测试集对网络模型进行训练， 得到检测模型的具体方式 为： 通过所述Input输入端对所述训练集进行 标准化预处理， 得到数据增强图像； 通过所述Backbo ne部分对所述数据增强图像进行 特征提取， 得到特 征图集； 通过所述Neck部分基于特 征金字塔结构和特 征融合获得 所述特征图集的张量数据； 通过所述Head部分通过所述张量数据对梯度进行计算， 得到计算结果， 并基于所述计 算结果和所述验证集对所述梯度进行 更新并验证， 获得 所述YOLOV5检测模型。 5.如权利要求 4所述的基于 YOLOV5算法的无 人机检测方法， 其特 征在于， 所述通过所述Head部分通过所述张量数据对梯度进行计算， 得到计算结果， 并基于所 述计算结果和所述验证集对 所述梯度进 行更新并验证， 获得所述Y OLOV5检测模型的具体方 式为： 通过所述Head部分通过所述张量数据基于损失函数和反向传播对梯度进行计算， 得到 计算结果； 基于所述计算结果对进行 所述梯度更新， 得到更新情况； 利用所述验证集对所述更新情况进行验证， 得到训练后模型的评价指标结果， 获得 YOLOV5检测模型。 6.如权利要求1所述的基于 YOLOV5算法的无 人机检测方法， 其特 征在于， 所述利用所述检测模型对无 人机视频进行检测， 得到检测结果的具体方式为： 利用所述检测模型将所述无人机视频处理成帧， 并对每一帧图像进行检测， 得到检测 结果。权　利　要　求　书 1/1 页 2 CN 114758255 A 2一种基于 YOLOV5算法的无人机检测方 法 技术领域 [0001]本发明涉及目标检测技术领域， 尤其涉及一种基于YOLOV5算法的无人机检测方 法。 背景技术 [0002]无人机凭借其体积小、 动作灵活及易于操控等特点， 常利用无人机检测技术应用 于目标跟踪、 目标搜索等。 [0003]目前， 现有的无人机检测技术主要是基于深度学习模型， 大概可以分成两大类别： 一类是两阶段目标检测算法， 这类算法将检测问题划分为产生包含目标大概的位置信息的 候选区域以及对候选区域进行分类和位置精修两个阶段。 [0004]采用上述方式， 对小目标不敏感， 在目标密集的情况 下， 检测误差较大。 发明内容 [0005]本发明的目的在 于提供一种基于YOLOV5算法的无人机检测方法， 旨在解决现有的 无人机检测技 术对小目标不敏感， 在目标密集的情况 下， 检测误差较大的问题。 [0006]为实现上述目的， 本发明提供了一种基于YOLOV5算法的无人机检测 方法， 包括以 下步骤： [0007]采集无人机图像数据， 并对所述图像数据进行筛 选和标注， 得到训练集和验证集； [0008]利用所述训练集和所述测试集对网络模型进行训练， 得到检测模型； [0009]利用所述检测模型对无 人机视频进行检测， 得到检测结果。 [0010]其中， 所述采集无人机图像数据， 并对所述图像数据进行筛选和标注的具体方式 为： [0011]采集无人机图像数据， 并对所述图像数据进行筛 选和标注， 得到数据集； [0012]将所述数据集划分为训练集和验证集。 [0013]其中， 所述网络模型包括 Input输入端、 Backbo ne部分、 Neck部分和Head部分。 [0014]其中， 所述利用所述训练集和所述测试集对网络模型进行训练， 得到检测模型的 具体方式为： [0015]通过所述Input输入端对所述训练集进行 标准化预处理， 得到数据增强图像； [0016]通过所述Backbo ne部分对所述数据增强图像进行 特征提取， 得到特 征图集； [0017]通过所述Neck部分基于特征金字塔结构和特征融合获得所述特征图集的张量数 据； [0018]通过所述Head部分通过所述张量数据对梯度进行计算， 得到计算结果， 并基于所 述计算结果和所述验证集对所述梯度进行 更新并验证， 获得 所述YOLOV5检测模型。 [0019]其中， 所述通过所述Head部分通过所述张量数据 对梯度进行计算， 得到计算结果， 并基于所述计算结果和所述验证集对 所述梯度进行更新并验证， 获得所述YOLOV5检测模 型 的具体方式为：说　明　书 1/5 页 3 CN 114758255 A 3