本發(fā)明屬于深度學習目標檢測，具體為一種基于yolov7的輕量級無人機圖像落水人員檢測算法。

背景技術(shù)：

1、據(jù)世界衛(wèi)生組織統(tǒng)計，世界各地每年至少有23.6萬人死于溺水，溺水造成的死亡占全球非故意傷害有關(guān)死亡的7％。這些數(shù)字不僅令人心痛，也揭示了迫切需要改進水上救援技術(shù)的現(xiàn)實。在水上救援領域，快速有效地檢測落水人員是提高救援率的關(guān)鍵。傳統(tǒng)的救援方法受限于人力和自然條件，無法滿足迅速反應的需求。隨著無人機技術(shù)以及深度學習的發(fā)展，基于無人機的目標檢測為救援行動提供了新的視角和可能性。

2、目標檢測技術(shù)作為計算機視覺領域的核心任務之一，近年來隨著深度學習的興起也迎來了革命性的變革?，F(xiàn)階段基于深度學習的目標檢測算法主要分為兩類，一類是兩階段目標檢測算法，如r-cnn、faster?r-cnn、mask?r-cnn、sppnet等。此類算法檢測精度較高，但檢測速度較慢。另一類是單階段目標檢測算法，如ssd、yolo系列。此類算法檢測速度很快，但檢測精度不如兩階段算法。

3、目前，針對無人機視角下的檢測任務，趙航岳等人增加檢測頭來減少目標尺度方差過大帶來的負面影響；jawaharlalnehru等人使用k-means聚類算法來確定最佳的錨框尺寸，使其更有效地檢測多尺度下的目標；黃淑琴等人提出一種尺度感知加權(quán)損失函數(shù)，動態(tài)地對目標進行權(quán)重關(guān)注，以此加強小尺度目標對損失的貢獻；willy等人將swimtransformer引入到detectors中，加強網(wǎng)絡對全局信息的捕捉與處理能力，但模型計算成本過高，不易于在邊緣設備中部署。當前，無人機視角下的檢測算法研究日益增多，檢測精度也不斷提高，但是實時檢測的需求仍未得到完全滿足。

4、模型部署是算法研究過程中必須要考慮的問題，為了加快模型推理速度，眾多學者進行了大量的研究，并取得了不小的進展。蕭瑾等人設計的自適應感知空間金字塔模塊，通過動態(tài)調(diào)整解碼器的參數(shù)，加快了推理速度并減少了模型參數(shù)數(shù)量。周全等人提出了一種雙路徑輕量級網(wǎng)絡，該網(wǎng)絡計算復雜度與輸入特征分辨率呈線性關(guān)系，通過分開處理不同分辨率的特征，從而節(jié)省大量計算成本。郭金陽等人提出一種多維剪枝框架，以端到端的方式沿多個維度壓縮網(wǎng)絡，提高模型運行效率。上述輕量化設計雖然精簡了模型，提高了模型運行效率，但對檢測精度影響比較大。

5、因此本發(fā)明提出了一種基于yolov7的輕量級無人機圖像落水人員檢測算法來解決上述問題。

技術(shù)實現(xiàn)思路

1、(一)解決的技術(shù)問題

2、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于yolov7的輕量級無人機圖像落水人員檢測算法，解決了上述背景技術(shù)中所提出的問題。

3、(二)技術(shù)方案

4、本發(fā)明為了實現(xiàn)上述目的具體采用以下技術(shù)方案：

5、一種基于yolov7的輕量級無人機圖像落水人員檢測算法，包括以下步驟：

6、s1、搜集適量游泳和落水人員圖片，制作數(shù)據(jù)集；

7、s2、將yolov7骨干網(wǎng)絡替換為mobilenetv4；

8、s3、重構(gòu)yolov7的sppcspc結(jié)構(gòu)，并引入ca注意力機制與wise-iou損失函數(shù)；

9、s4、在自制數(shù)據(jù)集上進行消融實驗；

10、s5、在自制數(shù)據(jù)集上將改進的算法與其他目標檢測算法進行對比。

11、進一步地，所述s1的具體過程為在網(wǎng)絡上搜集高度、分辨率適宜的游泳圖片和落水圖片，盡量搜集不同場景下以及多種游泳姿勢的圖片，搜集完成后使用labelme軟件對圖片進行標注,數(shù)據(jù)集中包括兩個標注類別：游泳者、落水者，所在場景主要有海洋、河流和池塘等。

12、進一步地，所述s2中mobilenetv4是由秦丹峰等人提出的新一代輕量級檢測網(wǎng)絡，該網(wǎng)絡引入了通用倒置瓶頸塊,這是一種適用于高效網(wǎng)絡設計的可調(diào)整模塊，能夠適應各種優(yōu)化目標，且不會增加網(wǎng)絡搜索復雜度,該模塊由mobilenetv2中的倒置瓶頸塊改進而來。

13、進一步地，所述s3中通過參考mobilenetv4中的深度可分離卷積和yolov9中的sppelan結(jié)構(gòu)，對sppcspc結(jié)構(gòu)進行了如下改進：

14、(1)將其中3*3的卷積替換為3*3的深度卷積和1*1的逐點卷積，從而大幅減少卷積參數(shù)；

15、(2)重新設計池化層結(jié)構(gòu)，將池化窗口的尺寸由(5，9，13)改為三個窗口大小為5的串行結(jié)構(gòu)池化層，以提高計算速度；

16、(3)將最初和最末端的1*1卷積層中的silu函數(shù)替換為relu函數(shù)，提高模型檢測精度，relu函數(shù)的位置和數(shù)量均基于實驗得出；

17、所述s3中ca注意力機制通過精確的位置信息對通道關(guān)系和長期依賴性進行編碼，具體操作分為coordinate信息嵌入和coordinate?attention生成兩個步驟a和b；

18、a.coordinate信息嵌入

19、全局池化方法通常用于通道注意編碼空間信息的全局編碼，但由于它將全局空間信息壓縮到通道描述符中，導致難以保存位置信息，為了促使注意力模塊能夠捕捉具有精確位置信息的遠程空間交互，按照以下公式分解了全局池化，轉(zhuǎn)化為一對一特征編碼操作：

20、

21、具體來說，給定輸入x，首先使用尺寸為(h，1)或(1，w)的池化核分別沿著水平坐標和垂直坐標對每個通道進行編碼，因此，高度為h的第c通道的輸出可以表示為：

22、

23、同樣，寬度為w的第c通道的輸出可以寫成：

24、

25、上述兩種變換分別沿兩個空間方向聚合特征，得到一對方向感知的特征圖；

26、b.coordinate?attention生成

27、通過信息嵌入中的變換后，該部分將上面的變換進行concatenate操作，然后使用1*1卷積變換函數(shù)f1對其進行變換操作：

28、f＝δ(f1([zh,zw]))

29、式中[·，·]為沿空間維數(shù)的concatenate操作，δ為非線性激活函數(shù)，f為對空間信息在水平方向和垂直方向進行編碼的中間特征映射，這里，r是用來控制se?block大小的縮減率，然后沿著空間維數(shù)將f分解為兩個單獨的張量fh和fw，利用另外兩個1*1卷積變換fh和fw分別將fh和fw變換為具有相同通道數(shù)的張量到輸入x，得到：

30、gh＝σ(fh(fh))

31、gw＝σ(fw(fw))

32、這里σ是sigmiod激活函數(shù)，為了降低模型的復雜性和計算開銷，這里通常使用適當?shù)目s減比r(如32)來減少f的通道數(shù)，然后對輸出gh和gw進行擴展，分別作為attentionweights，最后，ca注意力機制的輸出y可以寫成：

33、

34、所述s3中wise-iou損失函數(shù)定義如下：

35、su＝wh+wgthgt-wihi

36、

37、lwiou＝rwiouliou

38、其中wg，hg表示最小包圍框的寬和高，為了防止rwiou產(chǎn)生阻礙收斂的梯度，wg和hg從計算圖中分離出來(上標*表示此操作)。

39、進一步地，所述s4中為了驗證各模塊改進的有效性，分別對各模塊進行單獨測試，以驗證改進有效，實驗時采用相同的實驗環(huán)境，采用幀率fps、參數(shù)量params和浮點運算次數(shù)gflops、平均精度map作為評價指標，以此評估所提出改進措施的有效性，幀率是指圖像刷新幀數(shù)，參數(shù)量單位為m，浮點運算次數(shù)單位為g，平均精度均值是指所有類別檢測準確率的均值，計算公式如下：

40、

41、其中tp表示正樣本被預測為正樣本的個數(shù)，fp表示負樣本被預測為正樣本的個數(shù)，fn表示正樣本被預測為負樣本的個數(shù)，c表示目標檢測的總類別數(shù)，p(r)是以召回率為x軸且準確率為y軸而繪制出的曲線，該曲線與坐標軸圍成的圖形的面積大小即為平均準確率；且在重構(gòu)sppcspc結(jié)構(gòu)時，改進卷積層和池化層結(jié)構(gòu)，并在替換了骨干網(wǎng)絡的模型上進行對比實驗。

42、進一步地，所述s5中具體通過對比經(jīng)典算法ssd、faster?r-cnn及其他yolo算法，來證明本算法的優(yōu)越性。

43、(三)有益效果

44、與現(xiàn)有技術(shù)相比，本發(fā)明提供了一種基于yolov7的輕量級無人機圖像落水人員檢測算法，具備以下有益效果：

45、1.本發(fā)明提出的算法在檢測精度略微下降的情況下，大幅度提高了檢測速度，并且模型參數(shù)量和計算量也大幅下降。

46、2.本發(fā)明，通過輕量化原有算法，使其更易于部署在無人機等算力有限的邊緣設備上。