陳衛(wèi)彪，賈小軍，朱響斌，冉二飛，謝 昊

1.浙江師范大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江金華321004

2.嘉興學(xué)院信息科學(xué)與工程學(xué)院，浙江嘉興314001

3.浙江理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院（人工智能學(xué)院），杭州310018

隨著無(wú)人機(jī)（unmanned aerial vehicle，UAV）技術(shù)的發(fā)展和制造成本的降低，無(wú)人機(jī)的應(yīng)用愈發(fā)地深入各行各業(yè)。目標(biāo)檢測(cè)任務(wù)是無(wú)人機(jī)應(yīng)用最重要的組成部分，廣泛應(yīng)用于搶險(xiǎn)救災(zāi)、測(cè)繪航測(cè)、應(yīng)急救援等領(lǐng)域。目前目標(biāo)檢測(cè)算法主要分為兩類，分別是以背景減去法、光流法和幀差法為代表的傳統(tǒng)算法和以深度學(xué)習(xí)為代表的新型算法。在航拍圖像的目標(biāo)檢測(cè)任務(wù)中，Yalcin 等[1]提出了利用光流法檢測(cè)運(yùn)動(dòng)目標(biāo)的特征，該方法對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)效果明顯，但檢測(cè)精度以及對(duì)靜止目標(biāo)檢測(cè)效果差。Mei等[2]提出模板匹配檢測(cè)目標(biāo)的方法。將視頻中含有運(yùn)動(dòng)圖像的每幀單獨(dú)提取，然后用提前準(zhǔn)備好的車輛等物體的模板進(jìn)行匹配檢測(cè)。該方法對(duì)車輛等形狀明顯的物體檢測(cè)效果較好，但存在計(jì)算量過(guò)大、難以部署的問(wèn)題。

以深度學(xué)習(xí)為基礎(chǔ)的目標(biāo)檢測(cè)算法又分為兩類，分別是單階段式（one-stage）和兩階段式（two-stage）。YOLO（you only look once）[3]是一種典型的單階段式目標(biāo)檢測(cè)算法，它直接將目標(biāo)邊界定位問(wèn)題轉(zhuǎn)化為回歸問(wèn)題，圖像被縮小到統(tǒng)一尺寸，并以網(wǎng)格進(jìn)行均等劃分。模型僅需要處理圖像一次便能得到邊界框坐標(biāo)和類概率。兩階段式的檢測(cè)算法先生成一系列的候選邊界框作為樣本，而后由卷積神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行分類，例如R-CNN[4]、Fast R-CNN[5]、Faster R-CNN[6]、R-FCN[7]等。張瑞倩等[8]根據(jù)多尺度空洞卷積感受野大的特點(diǎn)，提出一種新的網(wǎng)絡(luò)結(jié)構(gòu)，提升了無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)任務(wù)的查準(zhǔn)率和查全率，但未能對(duì)網(wǎng)絡(luò)做輕量化處理。陳旭等[9]通過(guò)增加特征融合模塊、殘差空洞卷積等方式，有效地提高了網(wǎng)絡(luò)對(duì)無(wú)人機(jī)航拍圖像的檢測(cè)能力，改造之后的模型具有遮擋目標(biāo)識(shí)別率高、虛警率低的優(yōu)點(diǎn)，但網(wǎng)絡(luò)所需要的算力大幅增長(zhǎng)。韓玉潔等[10]以YOLO v4為基礎(chǔ)，通過(guò)改變激活函數(shù)、損失函數(shù)和以自對(duì)抗訓(xùn)練的方式增強(qiáng)數(shù)據(jù)集，有效地提高了網(wǎng)絡(luò)在無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)任務(wù)中的檢測(cè)精度，但依舊存在小目標(biāo)檢測(cè)能力差、網(wǎng)絡(luò)模型體積大的問(wèn)題。劉鑫等[11]以CenterNet為基礎(chǔ)，通過(guò)增加自適應(yīng)基礎(chǔ)模塊、全局注意力模塊和高質(zhì)量解碼模塊，在模型復(fù)雜度不變的前提下，提升了網(wǎng)絡(luò)的檢測(cè)精度，但網(wǎng)絡(luò)所需參數(shù)量大、算力要求高，難于部署在無(wú)人機(jī)平臺(tái)中。王浩雪等[12]針對(duì)無(wú)人機(jī)航拍圖像小目標(biāo)多、易被遮擋的特點(diǎn)，提出了S-YOLO v4網(wǎng)絡(luò)，通過(guò)增加SE（squeeze and excitation）注意力模塊、小目標(biāo)檢測(cè)層和改進(jìn)損失函數(shù)的方式，增強(qiáng)了網(wǎng)絡(luò)的魯棒性，提升了網(wǎng)絡(luò)的檢測(cè)精度，但帶來(lái)了網(wǎng)絡(luò)體積和總參數(shù)量變大的問(wèn)題。王勝科等[13]以CenterNet為基礎(chǔ)，通過(guò)增加可變形雙重注意力機(jī)制、改變極大值抑制方式和引入LegoNet卷積單元的手段，有效提高了網(wǎng)絡(luò)的檢測(cè)精度。但在模型的推理速度和模型體積輕量化改進(jìn)上還有待于提升。Zhu 等[14]通過(guò)添加Transformer Encoder 模塊和注意力機(jī)制，提高了無(wú)人機(jī)目標(biāo)檢測(cè)任務(wù)的檢測(cè)精度，刷新了VisDrone2021 數(shù)據(jù)集的檢測(cè)紀(jì)錄，但算法所需的參數(shù)、網(wǎng)絡(luò)層數(shù)以及算力大幅度提高。Liu 等[15]通過(guò)修改YOLO v3 的網(wǎng)絡(luò)結(jié)構(gòu)，增加ResNet模塊，在高層網(wǎng)絡(luò)結(jié)構(gòu)添加額外的卷積結(jié)構(gòu)以豐富空間信息，提高了小目標(biāo)物體的檢測(cè)能力。Lin 等[16]通過(guò)使用多尺度融合的特征聚合框架和高精度的上采樣方法，改善了在高分辨率圖像中的采樣精度不足問(wèn)題。Zhang等[17]通過(guò)密集裁剪和增加局部注意力模塊的方式，改善了行人等目標(biāo)由于占圖像面積小、檢測(cè)率低的問(wèn)題，有效提高了對(duì)于無(wú)人機(jī)視角下的行人檢測(cè)精度。Luo 等[18]在YOLO v5l 的基礎(chǔ)上，對(duì)主干網(wǎng)絡(luò)中的特征提取模塊進(jìn)行替換，并通過(guò)在Focus 模塊中增加注意力機(jī)制、優(yōu)化錨框尺寸等方法，提高了網(wǎng)絡(luò)的精度，但其網(wǎng)絡(luò)參數(shù)量高達(dá)2 700 萬(wàn)，難以部署至無(wú)人機(jī)等邊緣設(shè)備中。Zhang 等[19]通過(guò)在YOLO v5 中增加CA（coordinate attention）注意力機(jī)制和CFEM（context feature enhancement module）模塊，提高了網(wǎng)絡(luò)對(duì)小目標(biāo)的檢測(cè)能力，但增加的模塊也帶來(lái)了參數(shù)量和算力的提升。Yang等[20]在YOLO v5的基礎(chǔ)上，通過(guò)優(yōu)化錨框尺寸、增加注意力機(jī)制、添加小目標(biāo)檢測(cè)層的方式提高了檢測(cè)精度，但未考慮網(wǎng)絡(luò)的參數(shù)量增加和算力需求變大等問(wèn)題。李壯飛等[21]基于YOLO v5 網(wǎng)絡(luò)，在其中引入SENet 注意力機(jī)制、增加小目標(biāo)檢測(cè)層、改進(jìn)損失函數(shù)，提高了對(duì)于小車輛目標(biāo)的查準(zhǔn)率，但同時(shí)也帶來(lái)了計(jì)算量增加的問(wèn)題。蘇凱第等[22]通過(guò)增加卷積層數(shù)來(lái)提高算法深度，采用多次循環(huán)神經(jīng)網(wǎng)絡(luò)提高訓(xùn)練速度，有效地提高了YOLO v5 的識(shí)別速度和精度，但也帶來(lái)了更多的參數(shù)和更高的算力要求，難以適配無(wú)人機(jī)等邊緣設(shè)備。

目前主流的目標(biāo)檢測(cè)算法采取基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方式，其特征提取和表達(dá)能力強(qiáng)，由于這些算法多用于自然視角下的目標(biāo)檢測(cè)場(chǎng)景，在對(duì)無(wú)人機(jī)航拍圖像數(shù)據(jù)中的車輛、行人等小目標(biāo)進(jìn)行檢測(cè)時(shí)，難以取得讓人滿意的效果。與普通場(chǎng)景的目標(biāo)檢測(cè)相比，無(wú)人機(jī)航拍圖像存在以下幾個(gè)特點(diǎn)：（1）檢測(cè)目標(biāo)像素占比少；（2）無(wú)人機(jī)硬件限制，難以提供足夠的算力和空間；（3）航拍圖像復(fù)雜，外界干擾因素大。

針對(duì)以上問(wèn)題，本文以YOLO v5算法為基礎(chǔ)，提出一種基于深度可分離的多頭網(wǎng)絡(luò)結(jié)構(gòu)，將其命名為DSM-YOLO v5（depthwise separable multiplex YOLO v5）算法，通過(guò)增加檢測(cè)頭的數(shù)量提升檢測(cè)精度，增加深度可分離結(jié)構(gòu)降低網(wǎng)絡(luò)的算力要求。與當(dāng)前主流無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)算法不同的是，在聚焦提高網(wǎng)絡(luò)檢測(cè)能力的同時(shí)降低了網(wǎng)絡(luò)的參數(shù)量。

1 DSM-YOLO v5網(wǎng)絡(luò)結(jié)構(gòu)

1.1 YOLO v5網(wǎng)絡(luò)結(jié)構(gòu)

YOLO v5 作為目前目標(biāo)檢測(cè)領(lǐng)域中的主流算法，分為v5s、v5m、v5l、v5x 四個(gè)版本，可以根據(jù)不同的應(yīng)用領(lǐng)域動(dòng)態(tài)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和深度。基于無(wú)人機(jī)平臺(tái)的算力和內(nèi)存空間有限的特點(diǎn)，本研究選擇參數(shù)量最小的YOLO v5s[23]進(jìn)行對(duì)比實(shí)驗(yàn)。YOLO v5s 主要由Backbone、Head 和Output 層三部分組成，相較于YOLO v4，Backbone中添加了focus層，能夠?qū)μ卣鲌D進(jìn)行切片，提高特征提取能力。Head 層保持和YOLO v4 同樣的網(wǎng)絡(luò)結(jié)構(gòu)，其主要功能有特征融合、目標(biāo)檢測(cè)，采取自頂向下的網(wǎng)絡(luò)結(jié)構(gòu)，將高層特征與底層特征融合，以此加強(qiáng)網(wǎng)絡(luò)的特征融合能力。通過(guò)對(duì)不同尺度的特征圖進(jìn)行檢測(cè)，最大限度地提高目標(biāo)檢測(cè)的精度，Output 層則根據(jù)預(yù)設(shè)好的三個(gè)錨框?qū)敵鎏卣鲌D進(jìn)行預(yù)測(cè)，使用非極大值抑制去除低可信度的數(shù)據(jù)，最終輸出檢測(cè)的結(jié)果。

然而，在應(yīng)對(duì)無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)任務(wù)時(shí)，YOLO v5s 算法所需要的體積和算力仍然超出目前無(wú)人機(jī)平臺(tái)所能提供的硬件算力，難以有效部署在無(wú)人機(jī)等移動(dòng)設(shè)備上進(jìn)行實(shí)時(shí)檢測(cè)。為了解決這一問(wèn)題，對(duì)YOLO v5s算法進(jìn)行輕量化改進(jìn)具有重要的實(shí)用價(jià)值。

1.2 深度可分離算法

深度可分離算法由谷歌團(tuán)隊(duì)提出，其核心思想是將一個(gè)普通卷積替換成深度卷積和逐點(diǎn)卷積[24]。深度卷積先用Channel為1的濾波器對(duì)每個(gè)輸入通道進(jìn)行單獨(dú)卷積，在此過(guò)程之中，Padding 及Stride 均為1，保證輸出特征圖的尺寸和通道保持不變。在逐點(diǎn)卷積的過(guò)程中，對(duì)深度卷積輸出的特征圖使用大小為1×1 的濾波器進(jìn)行卷積，最終輸出特征圖，特征圖的尺寸和通道數(shù)都和普通卷積輸出的結(jié)果一致。深度可分離模塊結(jié)構(gòu)如圖1所示。

圖1 深度可分離模塊結(jié)構(gòu)Fig.1 Depthwise separable model block structure

假設(shè)普通卷積使用M個(gè)大小為DK的卷積核，輸入特征圖的通道數(shù)為N，大小為DF，則普通卷積的計(jì)算量Fconv[25]為：

在使用深度可分離模塊替換普通卷積的前提下，計(jì)算分為兩個(gè)步驟，分別是深度卷積和逐點(diǎn)卷積，其計(jì)算量Fdepth[25]為：

用公式（1）除以公式（2），最終得到的結(jié)果便是：

由于在MobileNet 網(wǎng)絡(luò)中，卷積核的大小DK一般為3，由公式（3）可以推出，深度可分離模塊的計(jì)算量為普通卷積模塊計(jì)算量的1/9~1/8[25]。

1.3 改進(jìn)的YOLO v5網(wǎng)絡(luò)結(jié)構(gòu)

在無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)中，由于檢測(cè)目標(biāo)所占圖像的比例較小，傳統(tǒng)YOLO v5s 的Backbone 層難以有效提取目標(biāo)物的特征，導(dǎo)致最終的查準(zhǔn)率、查全率低，并且在Head 層生成特征圖的過(guò)程中，未與網(wǎng)絡(luò)高層進(jìn)行殘差連接，致使特征圖中丟失部分檢測(cè)目標(biāo)細(xì)節(jié)。為了提高YOLO v5s模型的小目標(biāo)感知能力，在原有三個(gè)檢測(cè)頭的基礎(chǔ)上加深網(wǎng)絡(luò)結(jié)構(gòu)，額外添加一個(gè)新的檢測(cè)頭，該檢測(cè)頭在高層網(wǎng)絡(luò)中，輸出160×160 大尺寸特征圖，由于YOLO v5s 網(wǎng)絡(luò)整體下采樣倍數(shù)較大，而無(wú)人機(jī)航拍圖像中小目標(biāo)物體面積占比極小，經(jīng)過(guò)高倍數(shù)下采樣之后，小目標(biāo)物體的特征已和背景融為一體，難以提取。相較于傳統(tǒng)YOLO v5s 的三個(gè)小尺寸80×80、40×40、20×20檢測(cè)頭，大尺寸檢測(cè)頭能夠從網(wǎng)絡(luò)高層提取小目標(biāo)特征，有效加強(qiáng)對(duì)于小目標(biāo)物體的感知能力。在Head 層中，為了提高網(wǎng)絡(luò)對(duì)于小目標(biāo)物體特征的提取能力，將Head層與Backbone的高層進(jìn)行殘差連接。

為了降低網(wǎng)絡(luò)的參數(shù)，將原有Conv 模塊中的普通卷積替換為深度可分離卷積，組成新的深度可分離卷積模塊Conv_ds，加入深度可分離卷積模塊Conv_ds 后，DSM-YOLO v5 相較于YOLO v5s，額外加深了網(wǎng)絡(luò)層數(shù)，使得DSM-YOLO v5具有更好的特征表達(dá)能力。雖然網(wǎng)絡(luò)層數(shù)增加了，但是由于深度可分離模塊的特點(diǎn)，整個(gè)網(wǎng)絡(luò)的體積及參數(shù)量卻降低了。通過(guò)殘差連接的方式，加深了特征融合的能力，能更有效地提取小目標(biāo)物體的信息。改進(jìn)的整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)如圖2（a）所示，圖2（b）為其中的子模板結(jié)構(gòu)。

圖2 DSM-YOLO v5網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 DSM-YOLO v5 network structure

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)采用VisDrone2019[26]數(shù)據(jù)集。VisDrone 數(shù)據(jù)集由天津大學(xué)機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘?qū)嶒?yàn)室的AISKYEYE團(tuán)隊(duì)發(fā)布，數(shù)據(jù)集取自中國(guó)14個(gè)不同的城市，環(huán)境多種多樣，城市與鄉(xiāng)村、各種天氣和照明條件。圖像檢測(cè)目標(biāo)密度廣，稀疏與密集均有，是目前中國(guó)無(wú)人機(jī)航拍數(shù)據(jù)量最大、覆蓋范圍最廣、環(huán)境最復(fù)雜的數(shù)據(jù)集之一。如圖3所示，VisDrone2019數(shù)據(jù)集共包含10類航拍檢測(cè)目標(biāo)，由6 471 張訓(xùn)練集、548 張驗(yàn)證集、3 190 張測(cè)試集圖片組成。其中，訓(xùn)練集平均每張圖片含有53個(gè)標(biāo)簽，測(cè)試集平均有71 個(gè)標(biāo)簽，并且每個(gè)類別均有不同程度的遮擋。數(shù)據(jù)集類別由pedestrian、people、bicycle、car、van、truck、tricycle、awning-tricyle、bus、motor 組成。由于使用的網(wǎng)絡(luò)結(jié)構(gòu)為深度可分離模塊，所以在預(yù)訓(xùn)練權(quán)重上使用了基于imagenet 數(shù)據(jù)集訓(xùn)練的mobilenetv1 權(quán)重文件。

圖3 VisDrone2019數(shù)據(jù)集Fig.3 VisDrone2019 dataset

為了方便訓(xùn)練，將VisDrone 的文件結(jié)構(gòu)修改為PASCAL VOC結(jié)構(gòu)，并在訓(xùn)練開(kāi)始前，對(duì)所有數(shù)據(jù)使用Mosaic技術(shù)進(jìn)行數(shù)據(jù)增強(qiáng)[27]。隨機(jī)選取四張圖片，對(duì)其進(jìn)行翻轉(zhuǎn)、縮放、色域調(diào)整等操作，再將其組合成一張新的圖片，以此增強(qiáng)數(shù)據(jù)樣本的多樣性，并且能夠在硬件資源有限的情況下，提高網(wǎng)絡(luò)的訓(xùn)練能力。

2.2 訓(xùn)練環(huán)境

實(shí)驗(yàn)平臺(tái)采用12核Intel?Xeon?Platinum 8255C CPU @ 2.50 GHz，內(nèi)存為45 GB，操作系統(tǒng)為Ubuntu 20.04。以Python 3.8 實(shí)現(xiàn)網(wǎng)絡(luò)模型，代碼編輯器采用PyCharm Community Edition 版本，使用Pytorch 框架。顯卡為RTX2080Ti，cuda版本為11.3。

2.3 評(píng)價(jià)指標(biāo)

為更有效直觀地展示DSM-YOLO v5的改進(jìn)效果，以平均精度值（mean average precision，mAP）、查全率（recall）、查準(zhǔn)率（precision）作為網(wǎng)絡(luò)結(jié)構(gòu)在無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)任務(wù)中學(xué)習(xí)能力的評(píng)價(jià)依據(jù)。以網(wǎng)絡(luò)模型的體積大小和所需要的參數(shù)量作為網(wǎng)絡(luò)對(duì)無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)任務(wù)適應(yīng)能力的指標(biāo)。模型需要的體積和占用的參數(shù)越小，則代表算法更加匹配無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)任務(wù)。

2.4 實(shí)驗(yàn)結(jié)果

整個(gè)訓(xùn)練過(guò)程迭代300個(gè)epoch。為保證模型的穩(wěn)定，在前3 個(gè)epoch 采用warmup 預(yù)熱學(xué)習(xí)策略，初始學(xué)習(xí)率設(shè)置為0.01，后續(xù)則采用余弦退火算法控制學(xué)習(xí)率衰減，余弦退火算法超參數(shù)lrf 為0.2，最低學(xué)習(xí)率為0.002。經(jīng)過(guò)300 個(gè)epoch 的訓(xùn)練之后，得到的損失曲線如圖4所示，其中Box_loss代表模型預(yù)測(cè)邊界框和真實(shí)邊界框之間的差異大小，Class_loss為分類損失，用于判斷模型是否能準(zhǔn)確識(shí)別出圖像中的對(duì)象，并將其分類到正確的類別中。Object_loss為置信度損失，用于監(jiān)督grid中是否存在物體，計(jì)算網(wǎng)絡(luò)的置信度。從圖4中可以看出，當(dāng)epoch 為300 輪時(shí)，DSM-YOLO v5 網(wǎng)絡(luò)的各項(xiàng)loss值已經(jīng)不再下降，網(wǎng)絡(luò)已收斂，趨于穩(wěn)定。

圖4 DSM-YOLO v5損失曲線Fig.4 DSM-YOLO v5 loss curve

利用訓(xùn)練后的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行目標(biāo)檢測(cè)，使用的數(shù)據(jù)為測(cè)試集的樣本數(shù)據(jù)。如圖5 所示，其中圖5（a）為YOLO v5s的實(shí)驗(yàn)結(jié)果，圖5（b）為DSM-YOLO v5的實(shí)驗(yàn)結(jié)果。可以看出DSM-YOLO v5 在除bicycle 分類外，其他各個(gè)分類的精度都優(yōu)于YOLO v5s，pedestrain、people、car、van、truck、tricycle、awning-tricycle、bus、motor九個(gè)類別分別提高0.044、0.021、0.069、0.061、0.048、0.021、0.008、0.042、0.042。在IoU（intersection over union）為0.5時(shí)，DSM-YOLO v5的mAP值為36.8%，高于YOLO v5s。

圖5 Precision-Recall曲線圖Fig.5 Precision-Recall curve

為了對(duì)網(wǎng)絡(luò)結(jié)構(gòu)性能進(jìn)行驗(yàn)證，選取DetNet59[28]、CornerNet[28]、Fast R-CNN[29]、CenterNet[30]、MixedYOLOv3-LITE[31]、YOLO v5s 算法進(jìn)行目標(biāo)檢測(cè)對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示。在mAP@0.5上，DSM-YOLO v5取得了明顯的提升，相較于DetNet59 提高21.5 個(gè)百分點(diǎn)、CornerNet 提高19.4 個(gè)百分點(diǎn)、Fast R-CNN 提高15.1 個(gè)百分點(diǎn)、CenterNet 提高10.6%、MixedYOLOv3-LITE 提高8.3 個(gè)百分點(diǎn)、YOLO v5s 提高了3.6 個(gè)百分點(diǎn)。在pedestrain、people、car、van、truck、tricycle、bus以及motor八個(gè)類別上達(dá)到了最大的AP，分別為42.6%、32.7%、79.3%、41.3%、35.6%、21.4%、49.7%以及42%。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的算法能夠較明顯地提高網(wǎng)絡(luò)對(duì)于小目標(biāo)的檢測(cè)能力，在無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)任務(wù)中表現(xiàn)較好。

表1 不同算法在VisDrone2019數(shù)據(jù)集上的目標(biāo)檢測(cè)結(jié)果Table 1 Target detection results of different algorithms on VisDrone2019 dataset

相較于普通的目標(biāo)檢測(cè)任務(wù)，無(wú)人機(jī)航拍圖像對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的特征提取能力要求更高，對(duì)目標(biāo)的精確識(shí)別難度更大，傳統(tǒng)的目標(biāo)檢測(cè)算法難以滿足要求。DSMYOLO v5 通過(guò)加深網(wǎng)絡(luò)結(jié)構(gòu)，增加淺層和深層網(wǎng)絡(luò)殘差連接，以及增加小目標(biāo)檢測(cè)頭的方式，有效地提高了網(wǎng)絡(luò)對(duì)于無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)任務(wù)的識(shí)別能力，對(duì)于復(fù)雜場(chǎng)景、高密度場(chǎng)景的目標(biāo)，經(jīng)過(guò)高倍率下采樣之后，其特征已經(jīng)無(wú)法識(shí)別，密集目標(biāo)和背景混雜在一起，和深層連接的檢測(cè)頭難以識(shí)別。新增的160×160 檢測(cè)頭直接和淺層網(wǎng)絡(luò)相連接，能夠在進(jìn)行高倍率下采樣之前獲得復(fù)雜場(chǎng)景、高密度場(chǎng)景的目標(biāo)的特征信息，能有效識(shí)別目標(biāo)。由于無(wú)人機(jī)硬件本身的限制，小型無(wú)人機(jī)平臺(tái)對(duì)于算法的參數(shù)量、模型體積比較敏感，DSM-YOLO v5與YOLO v5 中的兩種模型s 型和l 型的性能比較結(jié)果如表2 所示，DSM-YOLO v5 通過(guò)使用深度可分離的思想，將傳統(tǒng)YOLO v5s 的Conv 普通卷積模塊替換為深度可分離模塊Conv_ds，有效地減小了網(wǎng)絡(luò)的參數(shù)量和模型體積，YOLO v5l 雖然在檢測(cè)精度上小幅優(yōu)于DSM-YOLO v5，但其所需的參數(shù)量和模型的體積分別為DSM-YOLO v5的8.4倍和8.1倍。DSM-YOLO v5在保證精度的前提下，大大降低了網(wǎng)絡(luò)結(jié)構(gòu)對(duì)硬件的要求，更有利于算法在無(wú)人機(jī)等小型設(shè)備上使用。

表2 YOLO v5與DSM-YOLO v5各項(xiàng)指標(biāo)對(duì)比Table 2 Comparison of indicators between YOLO v5 and DSM-YOLO v5

為了驗(yàn)證DSM-YOLO v5 網(wǎng)絡(luò)的有效性，選擇額外的DroneVehicle 數(shù)據(jù)集和RSOD 數(shù)據(jù)集進(jìn)行測(cè)試。DroneVehicle數(shù)據(jù)集為無(wú)人機(jī)航拍下的紅外汽車圖像數(shù)據(jù)集，其中訓(xùn)練集共有17 957張圖片，測(cè)試集8 980張圖片，驗(yàn)證集共有1 467張圖片，共含有car目標(biāo)428 086個(gè)、truck 目標(biāo)25 960 個(gè)、bus 目標(biāo)16 590 個(gè)、van 目標(biāo)12 708個(gè)和feright car 目標(biāo)17 173 個(gè)。RSOD 為遙感圖像數(shù)據(jù)集，其中訓(xùn)練集818 張圖片，測(cè)試集99 張圖片共含有aircraft目標(biāo)4 993個(gè)、oiltank目標(biāo)1 586個(gè)、overpass目標(biāo)180 個(gè)和playground 目標(biāo)191 個(gè)。DSM-YOLO v5 的檢測(cè)結(jié)果如表3 所示，對(duì)于DroneVehicle 數(shù)據(jù)集，AP 值最高為car類98.1%，Recall最高為car類95.5%，Precision最高為car類94.9%，mAP@0.5為81.3%。在RSOD數(shù)據(jù)集中，AP值最高為aircraft類98.8%，Recall最高為overpass類98.9%，Precision最高為oiltank類98.7%，mAP@0.5為90.6%。實(shí)驗(yàn)數(shù)據(jù)表明DSM-YOLO v5 的檢測(cè)效果較好，在不同的數(shù)據(jù)集中能達(dá)到令人滿意的檢測(cè)效果。與VisDrone2019相比，DroneVehicle數(shù)據(jù)集屬于紅外圖像，RSOD 數(shù)據(jù)集屬于遙感圖像，整體色調(diào)、明暗等畫(huà)面風(fēng)格統(tǒng)一，減小了目標(biāo)檢測(cè)的難度，DroneVehicle和RSOD數(shù)據(jù)集中的目標(biāo)輪廓明顯，不存在重疊遮擋、目標(biāo)俯視圖不會(huì)隨視角大幅度變化。

表3 DSM-YOLO v5在不同數(shù)據(jù)集上的檢測(cè)結(jié)果Table 3 Detection results of DSM-YOLO v5 on different dataset

為了驗(yàn)證DSM-YOLO v5中所提出的大尺寸檢測(cè)頭和MobileNet輕量化改進(jìn)的實(shí)際效果，對(duì)DSM-YOLOv5網(wǎng)絡(luò)進(jìn)行消融實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表4所示。其中第一行到第四行分別屏蔽不同尺寸的檢測(cè)頭。屏蔽160×160檢測(cè)頭時(shí)，mAP@0.5 為33.2%，屏蔽80×80 檢測(cè)頭時(shí)，mAP@0.5 為34.8%，屏蔽40×40 檢測(cè)頭時(shí)，mAP@0.5 為36.3%，屏蔽20×20 檢測(cè)頭時(shí)，mAP@0.5 為38.1%，從數(shù)據(jù)可以看出，160×160 的檢測(cè)頭對(duì)精度的提升最大，能有效提高網(wǎng)絡(luò)的檢測(cè)能力。第五行和第六行的對(duì)比可以看出，MobileNet 輕量化模塊的加入導(dǎo)致檢測(cè)精度小幅度下降，Precision 值從53.7%下降為51.1%，Recall 值從39.7%下降為37%，mAP@0.5從38.4%下降為36.8%，下降值并不明顯，但其網(wǎng)絡(luò)結(jié)構(gòu)所需參數(shù)量卻大大降低?？紤]到無(wú)人機(jī)平臺(tái)的算力低和空間小特性，算法的輕量化處理存在必要性。

表4 消融實(shí)驗(yàn)Table 4 Ablation experiment

2.5 目標(biāo)檢測(cè)

為了更加直觀地展示DSM-YOLO v5 在無(wú)人機(jī)航拍圖像上的目標(biāo)檢測(cè)能力，選擇了部分實(shí)驗(yàn)結(jié)果，如圖6所示。圖6 上面一行的三張圖像是使用YOLO v5s 網(wǎng)絡(luò)結(jié)構(gòu)的檢測(cè)結(jié)果，下面一行的三張圖像則是使用DSM-YOLO v5網(wǎng)絡(luò)結(jié)構(gòu)檢測(cè)的結(jié)果。顯然，對(duì)于遠(yuǎn)處小而密集的物體，DSM-YOLO v5在檢測(cè)時(shí)能夠準(zhǔn)確地識(shí)別，而YOLOv5s的檢測(cè)效果遜色于DSM-YOLO v5。綜合來(lái)看，DSM-YOLO v5 其檢測(cè)效果優(yōu)于YOLO v5s算法。

圖6 目標(biāo)檢測(cè)結(jié)果Fig.6 Target detection results

為了驗(yàn)證DSM-YOLO v5算法的魯棒性，本文選取了不同環(huán)境和光線下的場(chǎng)景作為檢測(cè)對(duì)象。檢測(cè)結(jié)果如圖7 所示。通過(guò)圖7 第一行的三張圖片，可以看到在光線較弱的情況下，DSM-YOLO v5仍然能夠有效地檢測(cè)出大多數(shù)有效目標(biāo)。這表明DSM-YOLO v5 算法具有一定的光線適應(yīng)性，能夠適應(yīng)多種光照條件下的目標(biāo)檢測(cè)任務(wù)。此外，DSM-YOLO v5算法還能夠在各種室內(nèi)和室外環(huán)境中正常運(yùn)行，這進(jìn)一步證明了其魯棒性。第二行的三張圖片顯示了DSM-YOLO v5 在目標(biāo)密集的情況下的檢測(cè)效果。這是一個(gè)具有挑戰(zhàn)性的場(chǎng)景，因?yàn)槟繕?biāo)過(guò)于密集，算法很容易將它們誤判為一個(gè)單獨(dú)的目標(biāo)，或者錯(cuò)過(guò)其中的一些目標(biāo)。然而，DSM-YOLO v5能夠有效地檢測(cè)出每一個(gè)目標(biāo)，并且準(zhǔn)確地識(shí)別它們的位置和類別，表現(xiàn)出較強(qiáng)的魯棒性和準(zhǔn)確性。

圖7 DSM-YOLO v5目標(biāo)檢測(cè)結(jié)果Fig.7 DSM-YOLO v5 target detection results

3 結(jié)語(yǔ)

根據(jù)無(wú)人機(jī)航拍圖像的特點(diǎn)，提出了一種能夠在復(fù)雜環(huán)境、密集場(chǎng)景中進(jìn)行目標(biāo)檢測(cè)的網(wǎng)絡(luò)結(jié)構(gòu)DSMYOLO v5。通過(guò)加深特征融合部分的網(wǎng)絡(luò)深度、增加額外的小目標(biāo)檢測(cè)頭的方式，能夠有效地提高無(wú)人機(jī)航拍圖像的檢測(cè)效率，提高查準(zhǔn)率、查全率等各項(xiàng)指標(biāo)。將普通的卷積模塊替換為深度可分離模塊，能明顯減少網(wǎng)絡(luò)所需要的參數(shù)，以及模型所占用的空間，使其更有效地應(yīng)用在無(wú)人機(jī)硬件設(shè)備中。根據(jù)在VisDrone2019數(shù)據(jù)集、DroneVehicle 數(shù)據(jù)集和RSOD 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果，DSM-YOLO v5在無(wú)人機(jī)航拍圖像目標(biāo)檢測(cè)任務(wù)之中，各項(xiàng)指標(biāo)都優(yōu)于目前主流的目標(biāo)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)。雖然DSM-YOLO v5 算法在無(wú)人機(jī)航拍圖像的目標(biāo)檢測(cè)任務(wù)當(dāng)中表現(xiàn)較好，但仍需要進(jìn)行改進(jìn)，如網(wǎng)絡(luò)層數(shù)較多，目標(biāo)檢測(cè)的精度和速度還有待提升，接下來(lái)將繼續(xù)在網(wǎng)絡(luò)結(jié)構(gòu)、體積、參數(shù)量、檢測(cè)速度等方面進(jìn)行更深入的研究。