基于改进YOLOv7的低空飞行物目标检测方法

目前无人机检测技术应用广泛，但无人机在执行目标检测任务中可能遭遇多种空中障碍物，这些目标具有成像小、像素特征少和相对速度变化快等检测难点，针对此类目标引起的漏检误检问题，提出了一种基于改进YOLOv7算法的低空飞行物目标检测算法。在传统YOLOv7算法的基础上，在Head网络引入SimAM注意力机制，该机制与现有的通道和空间注意力模块相比，同时考虑空间和通道维度信息，且不在原始网络中添加额外参数；在主干网络中结合ConvNeXt网络，提出CvNX模块，降低网络计算量，并保留目标特征；用SIoU-Loss代替原有的CIoU-Loss,提高算法收敛速度；在图像后处理阶段使用SIoU-NMS,减少遮挡导致的目标漏检。在自有低空飞行物数据集上实验结果表明，改进的YOLOv7算法平均精度(Average Precision, AP)达到97.1%,相比YOLOv7算法，平均精度均值(mean Average Precision, mAP)提高了1.7%,且误检、漏检率低，达到了在复杂背景下检测低空飞行物目标的要求。