卷积神经网络在低空空域无人机检测中的研究

发布时间：2025-05-15 07:00

　　无人机（UAV）飞行器在各个领域的使用逐渐普遍化,但由于无人机监管体系不健全导致各国频发威胁公共安全的事件,研发一套自动无人机检测系统显得尤为重要。雷达、红外、声波等检测方式都应用到了无人机检测系统中,但在特定条件下各自都存在检测缺陷。为此本文提出使用图像识别的方式,基于深度学习的方法来对无人机进行实时检测。本文结合无人机检测问题从以下几个方面展开研究:1.本文为了更好的得到无人机检测算法的设计思路,结合可变形部件模型算法来实施无人机检测算法研究,使用传统滑窗法来实现无人机识别,并通过改进融合跟踪算法实现无人机实时性跟踪。接着对区域提名的神经网络模型进行研究,对网络架构进行改进,提升整体识别性能和小目标无人机识别效果,最终实现无人机检测。为后续高精度和高效率无人机识别算法提供更好的研究思路。2.本文通过采用深度学习的方式,使用深度卷积神经网络实现对无人机的检测,解决传统算法的泛化能力弱,鲁棒性表现差,实时性差和准确率不高的问题。由于未发现公开的旋翼无人机标准数据集,使用相机拍摄呈现多种飞行姿态,不同飞行高度,不同环境背景下的无人机视频序列,然后制作了包含11797有效的无人机样本数据集,...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景及研究意义
    1.2 国内外研究现状及发展
        1.2.1 使用其它技术的无人机检测现状
        1.2.2 使用卷积神经网络实现无人机检测
    1.3 课题研究内容
    1.4 主要研究内容及组织
第二章 卷积神经网络的基础知识介绍
    2.1 卷积神经网络的发展
    2.2 卷积神经网络的特征
    2.3 卷积神经网络的重要技术
    2.4 卷积神经网络训练过程
        2.4.1 前项传播
        2.4.2 反向传播
    2.5 深度学习开发工具
    2.6 本章小结
第三章 基于区域提名的无人机检测算法
    3.1 基于传统算法的无人机检测研究
        3.1.1 目标检测流程
        3.1.2 无人机DPM模型
        3.1.3 无人机检测效果
    3.2 目标候选区域算法选择
        3.2.1 选择性搜索法
        3.2.2 区域候选网络
    3.3 多任务损失函数
    3.4 无人机位置回归器微调
    3.5 无人机检测网络加速优化
        3.5.1 引入ROI池化加速
        3.5.2 全连接提速过程
    3.6 无人机检测网络架构优化
    3.7 区域提名网络模型对比
    3.8 本章小结
第四章 基于改进的卷积网络无人机检测算法
    4.1 网络的整体架构
    4.2 无人机样本增强设计
    4.3 边界框预测方法设计
        4.3.1 锚点生成过程
        4.3.2 边界框预测及生成
        4.3.3 边界框预测方法优化
    4.4 损失函数优化设计
    4.5 多尺度检测研究
        4.5.1 多尺度样本训练
        4.5.2 多尺度目标检测
    4.6 预测框过滤设计
    4.7 无人机分类预测
    4.8 模型训练参数和优化
        4.8.1 网络模型参数设置
        4.8.2 自适应学习率优化选型
        4.8.3 无人机模型训练结果
    4.9 本章小结
第五章 实验平台搭建和结果评估
    5.1 实验平台环境搭建
    5.2 无人机数据集
    5.3 样本训练
    5.4 实验结果评估和分析
        5.4.1 无人机检测效果
        5.4.2 改进后与未改进的算法比较
        5.4.3 改进后的与其他算法比较
    5.5 无人机检测系统应用
        5.5.1 无人机检测系统结构
        5.5.2 无人机检测系统软件
    5.6 本章小结
第六章 总结与展望
    6.1 论文工作总结
    6.2 未来研究展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：4046425