(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 202210961225.8 (22)申请日 2022.08.11 (71)申请人 广西壮族自治区通信产业 服务有限 公司技术服务分公司 地址 530006 广西壮 族自治区南宁市总部 路1号中国-东盟科技 企业孵化基地一 期中国-东盟科技企业孵化基地一期 A-13栋202号 (72)发明人 潘博　唐东红　韦肖斌　赵芸　 李进盛　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 易彬 (51)Int.Cl. G06V 20/17(2022.01)G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种无人机目标检测方法、 系统、 设备及存 储介质 (57)摘要 本发明公开了一种无人机目标检测方法、 系 统、 设备及存储介质， 本方法在TPH ‑YOLOV5的基 础上， 设计了基于侧向连接的双向传播网络架 构， 每一层特征图会接收来自前面层的所有特征 图映射作为输入， 同时作为输出传播给网络后续 层的特征图。 这样能对于与目标颜色/形状近似 的物体带来的噪声干扰信息， 进行自适应过滤， 避免对目标近似物误定位 或误分类为目标， 提高 无人机目标检测的准确度。 权利要求书3页 说明书12页 附图10页 CN 115376025 A 2022.11.22 CN 115376025 A 1.一种无 人机目标检测方法， 其特 征在于， 所述无 人机目标检测方法包括： 获取无人机采集的图像； 将所述图像输入至目标检测模型中， 得到所述目标检测模型输出的所述图像的目标检 测结果； 其中， 所述目标检测模 型包括依次连接的TP H‑YOLOV5的主干网络、 改进的路径聚合 网络以及所述TPH ‑YOLOV5的Transformer预测头， 所述改进的路径聚合网络包括自顶至底 依次侧向连接的L个第一子网络和自顶至底依次侧向连接的L个第二子网络， 所述第一子网 络和所述第二子网络均通过卷积函数输出特定比例大小的特征映射； 所述目标检测模型通 过如下方式计算所述图像的目标检测结果： 将所述图像输入至所述主干网络中， 得到所述主干网络每一层输出对应的单比例图 像； 将所述主干网络第L层输出的单比例图像输入至第L层第一子网络中， 得到所述第L层 第一子网络输出的第L层第一特征映射； 将所述第L层第一特征映射和所述主干网络第L ‑1 层输出的单比例图像输入至第L ‑1层第一子网络中， 得到第L ‑1层第一子网络输出的第L ‑1 层第一特征映射； 将所述第L层第一特征映射和所述第L ‑1层第一特征映射之和， 以及所述 主干网络第L ‑2层输出的单比例图像输入至第L ‑2层第一子网络中， 得到第L ‑2层第一子网 络输出的第L ‑2层第一特征映射； 依次类推， 直至将所述第L层第一特征映射、 所述第L ‑1层 第一特征映射至第2层第一子网络输出 的第2层第一特征映射之和， 以及所述主干网络第1 层输出的单比例图像输入至第1层第一子网络中， 得到第1个所述第一子网络输出的第1层 第一特征映射； 其中， L层是顶层； 将所述第1层第一特征映射输入至第1层第二子网络中， 得到所述第2层第二子网络输 出的第1层第二特征映射； 将所述第1层第二特征映射和所述第2层第一特征映射输入至第2 层第二子网络中， 得到所述第2层第二子网络输出的第2层第二特征映射； 将所述第1层第二 特征映射和第2层第二特征映射之和， 以及第3层第一特征映射输入至第3层第二子网络中， 得到所述第3层第二子网络输出的第3层第二特征映射； 依次类推， 直至将第1层第二特征映 射至第L‑1层第二子网络输出的第L ‑1层第二特征映射之和， 以及所述第L层第一特征映射 输出的第L ‑1层第二特征映射输入至第L层第二子网络， 得到所述第L层第二子网络输出的 第L层第二特 征映射； 将所述第1层第二特征映射至所述第L层第二特征映射输入至所述Transformer预测头 中， 得到所述Transformer预测头 输出的所述图像的目标检测结果。 2.根据权利要求1所述的无人机目标检测方法， 其特征在于， 所述第 一子网络通过如下 公式计算第一特 征映射： 其中， Al表示第l层第一子网络输出的第l层第一特征映射， 表示所述第l层第一子 网络的卷积函数， vl(.)表示第l层第一子网络的复合函数， concatl(.)表示第l层第一子 网 络的concat函数， bl(x)表示所述主干网络第l层输出的单比例图像， x表示所述图像， L表示 所述主干网络中的卷积层数量， um表示上采样的2m次操作， l是1至L中的任意整数。 3.根据权利要求1或2所述的无人机目标检测方法， 其特征在于， 在将第一特征映射输权　利　要　求　书 1/3 页 2 CN 115376025 A 2入至第二子网络之前， 所述无 人机目标检测方法还 包括： 在所述改进的路径聚合网络中设置边 缘激活模块； 将第一特征映射输入至所述边缘激活模块中， 通过所述边缘激活模块强化所述第 一特 征映射在四个方向上的边界信息 。 4.根据权利要求3所述的无人机目标检测方法， 其特征在于， 所述边缘激活模块的数量 为L个； 其中， 每一个所述边缘激活模块用于强化一个所述第一特征映射， l是1至L中的任意 整数。 5.根据权利要求4所述的无人机目标检测方法， 其特征在于， 所述边缘激活模块的计算 公式包括： 其中， Al ijX表示特征图中X通道的位置(i， j)， X通道是H， W， C三个通道中的任意一个通 道。 6.根据权利要求5所述的无人机目标检测方法， 其特征在于， 所述第 二子网络通过如下 公式计算第二特 征映射： 其中， Cl表示第l层第二子网络输出的第l层第二特征映射， 表示所述第l层第二 子网络的卷积函数， wl(.)表示第l层第二子 网络的复合函数， concatl(.)表示第l层第二子 网络的co ncat函数， Bl表示第l个所述 边缘激活模块输出强化后的第l层第一特 征映射。 7.根据权利要求1所述的无人机目标检测方法， 其特征在于， 在所述获取无人机采集的 图像之前， 所述无 人机目标检测方法还 包括： 通过所述无人机采集图像。 8.一种无 人机目标检测系统， 其特 征在于， 所述无 人机目标检测系统包括： 图像获取 单元， 用于获取 无人机采集的图像； 目标检测单元， 用于将所述图像输入至目标检测模型中， 得到所述目标检测模型输出 的所述图像的目标检测结果； 其中， 所述目标检测模型包括依次连接的TPH ‑YOLOV5的主干 网络、 改进的路径聚合网络以及所述TPH ‑YOLOV5的Transformer预测头， 所述改进的路径聚 合网络包括自顶至底依 次侧向连接的L个第一子网络和自顶至底依 次侧向连接的L个第二 子网络， 所述第一子网络和所述第二子网络均通过卷积函数输出特定比例大小的特征映 射； 所述目标检测模型通过如下 方式计算所述图像的目标检测结果： 将所述图像输入至所述主干网络中， 得到所述主干网络每一层输出对应的单比例图 像； 将所述主干网络第L层输出的单比例图像输入至第L层第一子网络中， 得到所述第L层 第一子网络输出的第L层第一特征映射； 将所述第L层第一特征映射和所述主干网络第L ‑1 层输出的单比例图像输入至第L ‑1层第一子网络中， 得到第L ‑1层第一子网络输出的第L ‑1 层第一特征映射； 将所述第L层第一特征映射和所述第L ‑1层第一特征映射之和， 以及所述 主干网络第L ‑2层输出的单比例图像输入至第L ‑2层第一子网络中， 得到第L ‑2层第一子网权　利　要　求　书 2/3 页 3 CN 115376025 A 3