基于深度学习的航拍图像目标检测算法应用研究

【摘要】：目标检测是计算机视觉领域中非常经典的问题之一,而从航拍图像进行目标检测一直是一个具有挑战性的问题。航拍图像中的目标检测在桥梁检查、灾难管理、交通调查、地形测量以及飞行器探测等民用基础设施管理和军事方面均有着广泛的应用。随着深度学习算法的发展以及硬件系统的进步,从高分辨率卫星图像检测各种物体方面已经实现了更高的精度。针对最新的基于卷积神经网络的目标检测模型,开展基于深度学习的航拍图像目标检测算法的研究工作,主要的工作内容如下:(1)针对目标检测的现状以及对航拍图像的目标检测研究现状开展调研,选取多个目标检测模型分析其优缺点,并通过处理多个航拍图像数据集,利用YOLOv5模型实现自动在航拍图像中检测物体。(2)考虑到YOLOv5模型预定义的锚框的尺寸对数据集的敏感性,故使用K-means算法对实验中的数据集进行聚类分析以获得适合数据集的初始锚点,从而提高模型的准确率。同时,考虑到航拍图像数据集的图像质量问题,通过马赛克方法,裁剪缩放等数据增强方式,扩充航拍图像数据集的训练数据,来获得精确度更高的模型。(3)将上述优化的YOLOv5模型应用于NWPU VHR-10数据集、RSOD数据集以及DOTA数据集,实验结果表明该算法可以在保证速度的情况下更精确地检测目标。说明改进模型在航拍图像的目标检测任务中可以做到性能上的提高。