《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 融入注意力機(jī)制的改進(jìn)YOLOv8n低空飛行器檢測(cè)技術(shù)
融入注意力機(jī)制的改進(jìn)YOLOv8n低空飛行器檢測(cè)技術(shù)
網(wǎng)絡(luò)安全與數(shù)據(jù)治理
楊光飛1,2，張蕾蕾1
1.大連理工大學(xué)系統(tǒng)工程研究所； 2.大連理工大學(xué)先進(jìn)智能研究院
摘要： 針對(duì)小型低空飛行器在復(fù)雜環(huán)境中檢測(cè)難的問(wèn)題，提出了一種基于改進(jìn)YOLOv8n模型的視覺(jué)檢測(cè)方法。通過(guò)引入輕量級(jí)的AKConv卷積模塊、SEAM通道空間混合域注意力模塊和排斥損失函數(shù)，構(gòu)建了YOLOv8-SE模型，并利用自制數(shù)據(jù)集進(jìn)行訓(xùn)練與測(cè)試。AKConv模塊通過(guò)動(dòng)態(tài)調(diào)整卷積核的采樣位置提升了特征提取的靈活性，SEAM模塊增強(qiáng)了關(guān)鍵特征的捕捉能力，排斥損失函數(shù)則改善了遮擋環(huán)境下的檢測(cè)精度。實(shí)驗(yàn)結(jié)果表明，相較于傳統(tǒng)模型，YOLOv8-SE在多個(gè)評(píng)價(jià)指標(biāo)上均表現(xiàn)優(yōu)異。該研究為低空飛行器檢測(cè)領(lǐng)域提供了一種高效、可靠的解決方案，為資源受限設(shè)備上的深度學(xué)習(xí)模型優(yōu)化提供了新思路。
中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)識(shí)碼：ADOI:10.19358/j.issn.2097-1788.2025.12.006引用格式：楊光飛，張蕾蕾. 融入注意力機(jī)制的改進(jìn)YOLOv8n低空飛行器檢測(cè)技術(shù)［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2025，44（12）：39-47.
Research on lowaltitude aircraft recognition technology based on YOLOv8n and attention mechanism
Yang Guangfei1,2, Zhang Leilei1
1. Institute of Systems Engineering, Dalian University of Technology; 2. Institute of Advanced Intelligence, Dalian University of Technology
Abstract： This study addresses the challenge of detecting small lowaltitude aircraft in complex environments, and proposes a visual detection method based on an improved YOLOv8n model. The YOLOv8SE model was constructed by integrating the lightweight AKConv convolution module, the SEAM channelspatial mixeddomain attention module, and the repulsion loss function. A custom dataset was used for training and testing. The AKConv module enhances the flexibility of feature extraction by dynamically adjusting the sampling positions of convolution kernels, the SEAM module improves the ability to capture key features, and the repulsion loss function enhances detection accuracy in occluded environments. Experimental results demonstrate that YOLOv8SE outperforms traditional models across multiple evaluation metrics. This research provides an efficient and reliable solution for small aerial targets detection and offers new insights into optimizing deep learning models for resourceconstrained devices.
Key words : small aerial targets; YOLOv8n; AKConv convolution；attention mechanism

引言

近年來(lái)，“低慢小”目標(biāo)一直是公共安全和科研領(lǐng)域的研究重點(diǎn)。這類目標(biāo)由于其飛行高度低、飛行速度慢、目標(biāo)小的特性，難以被探測(cè)、容易隱藏，因而備受關(guān)注。尤其是四旋翼低空飛行器等新型飛行器，由于成本低廉、操縱簡(jiǎn)單、難以被探測(cè)等特點(diǎn)，在航拍、探測(cè)、檢測(cè)等領(lǐng)域得到了廣泛應(yīng)用。然而，隨之而來(lái)的安全隱患也日益顯現(xiàn)，這些“低慢小”低空飛行器的無(wú)序飛行給社會(huì)秩序和公共安全帶來(lái)了嚴(yán)重威脅［1］。國(guó)內(nèi)外學(xué)者在低空飛行器監(jiān)測(cè)技術(shù)上不斷突破，如研發(fā)高精度飛行控制系統(tǒng)、改進(jìn)圖像檢測(cè)算法、開(kāi)發(fā)實(shí)時(shí)數(shù)據(jù)傳輸和處理系統(tǒng)等。Li等人利用SVM分類器和連續(xù)幀間差分法檢測(cè)低空飛行器，成功將檢測(cè)時(shí)間從0.162 s縮短到0.093 s，同時(shí)保證了檢測(cè)精度［2］。薛珊等人設(shè)計(jì)了一種卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了95.9%的低空飛行器檢測(cè)準(zhǔn)確率［3］。Jamil等人提出了一種結(jié)合支持向量機(jī)多項(xiàng)式核和AlexNet模型的方法，用于監(jiān)測(cè)惡意低空飛行器，檢測(cè)精度達(dá)到97.4%［4］。但這些方法仍然面臨一些挑戰(zhàn)。構(gòu)建特征提取器需要深厚的專業(yè)知識(shí)，這限制了方法的普適性和可擴(kuò)展性，并在實(shí)際應(yīng)用中可能會(huì)導(dǎo)致誤檢或漏檢，尤其是在低空飛行器技術(shù)快速發(fā)展的背景下，新出現(xiàn)的低空飛行器型號(hào)和功能可能需要重新設(shè)計(jì)和訓(xùn)練特征提取器。Alom等人改進(jìn)了循環(huán)卷積神經(jīng)網(wǎng)絡(luò)，結(jié)合InceptionV4和殘差網(wǎng)絡(luò)結(jié)構(gòu)，形成IRRCNN檢測(cè)網(wǎng)絡(luò)，在多個(gè)數(shù)據(jù)集(如CIFAR10、CU3D100)上取得了最佳檢測(cè)精度［5］。Schumann等提出了使用Faster RCNN網(wǎng)絡(luò)的方法，并在自建數(shù)據(jù)集上訓(xùn)練，成功檢測(cè)鳥(niǎo)類和低空飛行器兩類目標(biāo)，測(cè)試集上達(dá)到最高精度［6-7］。Saqib等人測(cè)試了不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)使用VGG16結(jié)構(gòu)的FasterRCNN神經(jīng)網(wǎng)絡(luò)具有最高檢測(cè)精度［8］。Aker等人開(kāi)發(fā)了一種生成不同背景下鳥(niǎo)類和低空飛行器合成數(shù)據(jù)集的方法，用于訓(xùn)練低空飛行器檢測(cè)神經(jīng)網(wǎng)絡(luò)［9］。Wu等人則將顯著性方法引入卡爾曼濾波器，以實(shí)現(xiàn)對(duì)運(yùn)動(dòng)小目標(biāo)的跟蹤和定位［10］?；谏疃葘W(xué)習(xí)算法的目標(biāo)檢測(cè)與跟蹤模型需要部署到高性能處理器上，并結(jié)合圖像或視頻數(shù)據(jù)使用，對(duì)使用場(chǎng)景有一定要求。由于低空飛行器的載荷限制，通常使用資源受限的嵌入式設(shè)備，導(dǎo)致深度學(xué)習(xí)算法運(yùn)行時(shí)間較長(zhǎng)且精度不理想，因此需要在追求高精度的同時(shí)高效利用計(jì)算資源。本研究通過(guò)在YOLOv8n算法中融入注意力機(jī)制，旨在提升目標(biāo)檢測(cè)的準(zhǔn)確性和魯棒性，以適應(yīng)現(xiàn)實(shí)世界中光照變化和遮擋情況下的挑戰(zhàn)。此外，本研究還關(guān)注了算法在實(shí)際部署中的計(jì)算效率和功耗問(wèn)題，通過(guò)模型剪枝和量化等技術(shù)進(jìn)一步降低算法復(fù)雜度，使其更適合在資源受限的低空飛行器平臺(tái)上部署。這一研究成果不僅能夠增強(qiáng)低空飛行器的監(jiān)測(cè)和檢測(cè)能力，還提供了一種經(jīng)濟(jì)高效、快速響應(yīng)的解決方案來(lái)應(yīng)對(duì)低空飛行器可能面臨的安全威脅，從而為低空飛行器技術(shù)的持續(xù)發(fā)展提供支持。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://ihrv.cn/resource/share/2000006898


作者信息：

楊光飛1,2，張蕾蕾1

(1.大連理工大學(xué)系統(tǒng)工程研究所，遼寧大連116024；

2.大連理工大學(xué)先進(jìn)智能研究院，遼寧大連116024)


官方訂閱.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。