基于改進YOLOv5的無人機遙感圖像檢測算法探究

摘 要：為了提高YOLOv5模型對無人機遙感圖像的檢測性能，本文進行了研究，該模型的主要問題是對小目標的漏檢率和誤檢率較高。通過理論分析，發現其Anchor機制具有一定的優化空間，改進策略為使用NWD損失函數代替IoU損失函數。在性能仿真階段，對比了4種基準模型的特點，將YOLOv5s模型與改進后的模型進行對比，對無人機遙感圖像進行檢測。結果顯示，改進后的YOLOv5模型在準確度、召回率、多類別平均精確度方面均優于改進前。

關鍵詞：YOLOv5；無人機遙感圖像檢測算法；Anchor機制改進；網絡結構改進

中圖分類號：TP 391" " " " 文獻標志碼：A

YOLOv5是一種應用廣泛的圖像檢測算法模型，它能夠識別無人機遙感圖像中的人、物及環境信息，但該模型的性能存在不足，難以準確識別圖像中較小的檢測目標。鑒于此，研究過程旨在確定影響算法性能的原因，并進行改進。

1 YOLOv5模型在圖像檢測中的應用

1.1 YOLOv5模型基本原理

1.1.1 YOLOv1～YOLOv4模型發展過程

YOLOv5模型由YOLOv1～YOLOv4模型發展而來，因此繼承了前4種算法模型的基本原理。YOLOv1模型將整個圖形作為輸入，利用網絡將圖形劃分為若干區域，在此基礎上進行預測和歸類，從而對特定目標進行檢測。區域劃分的本質是將圖像切割成正方形的格柵，如果在某個格柵中出現物體的影像，就預測其邊界框，并計算反映物體是否存在以及物體類別的Score[1]。雖然該算法的檢測速度較快，但也有一定的局限性，例如難以檢測小目標，在每個格柵中只能預測2個物體。

YOLOv2模型是在YOLOv1模型的基礎上進行改進的，其 引入了批量歸一化處理、Anchor機制，并且將YOLOv1中的原有的網絡結構改為Darknet-19?！?br>