低空无人机实时目标检测算法

doi:10.7527/S1000-6893.2025.31619

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

低空无人机实时目标检测算法

杨永刚, 姜文韬, 高志云()

中国民航大学交通科学与工程学院，天津 300300

收稿日期:2024-12-06 修回日期:2024-12-27 接受日期:2025-03-05 出版日期:2025-03-19 发布日期:2025-03-19
通讯作者: 高志云 E-mail:zygao@cauc.edu.cn
基金资助:
国家自然科学基金(62403471);中央高校基本科研业务费(3122023QD18);天津市城市空中交通系统技术与装备重点实验室(TJKL-UAM-202402)

Real-time target detection algorithm for low altitude UAVs

Yonggang YANG, Wentao JIANG, Zhiyun GAO()

School of Transportation Science and Engineering，Civil Aviation University of China，Tianjin 300300，China

Received:2024-12-06 Revised:2024-12-27 Accepted:2025-03-05 Online:2025-03-19 Published:2025-03-19
Contact: Zhiyun GAO E-mail:zygao@cauc.edu.cn
Supported by:
National Natural Science Foundation of China(62403471);The Fundamental Research Funds for the Central Universities(3122023QD18);Key Laboratory of Technology and Equipment of Tianjin Urban Air Transportation System(TJKL-UAM-202402)

摘要/Abstract

摘要：

针对低空无人机视角下的目标存在相互遮挡、像素小和复杂背景的问题，提出一种用于低空无人机平台的小目标检测算法HPRS-YOLO。在主干网络采用一种新的多尺度空间金字塔（SPMCC），抛弃基于最大池化的下采样形式，利用膨胀卷积动态调整网络的感受野，更有效地绘制检测对象的上下文信息；融合2种Metaformer模型改进C3K2模块，增强小目标结构和纹理特征信息，减少参数量，保持运算开销在较小水平；Dysample优化上采样算子，抑制偏移重叠和边界点值混乱，提高目标与背景的对比度；引入浅层细节处理模块（SDFM）重新设计颈部网络尾端，实现首尾跨尺度特征校准，强调对低层特征图的关注度，补偿小目标特征的缺失以及维护遮挡目标剩余空间信息的完整性。对数据集VisDrone2019进行消融实验和对比实验，相较于基线算法，mAP_0.5和mAP_0.5∶0.95分别提升5%和3%，对公开数据集DOTA进行泛化实验，mAP_0.5提升2.0%，证明了所提算法具有良好的鲁棒性，最后将模型部署到嵌入式设备NVIDIA Jetson AGX Orin上进行验证，FPS达到60，表明HPRS-YOLO通过优化算法设计可以在保持高准确率的同时，确保实时检测的能力。

关键词: 低空无人机, 小目标检测, 多尺度, 跨尺度特征校准, YOLOv11n, Jetson AGX Orin

Abstract:

To address the challenges of mutual occlusion， tiny pixels， and complex backgrounds in low-altitude UAV-based object detection， this paper proposes HPRS-YOLO， a small target detection algorithm optimized for UAV platforms. The backbone network incorporates a novel Spatial Pyramid Multi-scale Common Convolution （SPMCC）， which replaces max-pooling-based downsampling with dilated convolution to dynamically adjust the receptive field， thereby enhancing contextual feature extraction. The improved C3K2 module integrates two Metaformer architectures to reinforce structural and textural features of small targets while reducing parameters and maintaining low computational overhead. Additionally， a dynamic upsampling operator， Dysample is introduced to suppress offset overlaps and boundary pixel value confusion， thereby improving target-background contrast. The neck network is redesigned with a Shallow Detail Focus Module （SDFM） to achieve cross-scale feature calibration between terminal layers， emphasizing low-level feature maps to compensate for missing small-target characteristics and preserve spatial integrity of occluded objects. On the dataset VisDrone2019， ablation and comparison experiments are conducted. The results show that mAP_0.5 and mAP_0.5∶0.95 are improved by 5% and 3%， respectively， when compared to the baseline method. Generalization experiments are conducted on the public datasets DOTA， and mAP_0.5 is improved by 2.0%， demonstrating good robustness. Finally， the model is deploying the model on an embedded NVIDIA Jetson AGX Orin device achieves an FPS of 60， demonstrating that HPRS-YOLO guarantees real-time detection capability by optimizing the algorithm design while keeping high accuracy.

Key words: low-altitude UAV, small target detection, multi-scale, cross-scale feature calibration, YOLOv11n, Jetson AGX Orin

中图分类号:

V279⁺.2

杨永刚, 姜文韬, 高志云. 低空无人机实时目标检测算法[J]. 航空学报, 2025, 46(16): 331619.

Yonggang YANG, Wentao JIANG, Zhiyun GAO. Real-time target detection algorithm for low altitude UAVs[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(16): 331619.

图/表 17

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

表 1

表 2

表 3

图 11

表 4

表 5

表 6

参考文献 37

[1]	王强，吴乐天，王勇，等. 基于关键点检测的红外弱小目标检测［J］. 航空学报， 2023， 44（10）： 328173.
	WANG Q， WU L T， WANG Y， et al. An infrared small target detection method based on key point［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（10）： 328173 （in Chinese）.
[2]	SHIN G， YOOUN H， SHIN D， et al. Incremental learning method for cyber intelligence， surveillance， and reconnaissance in closed military network using converged IT techniques［J］. Soft Computing， 2018， 22（20）： 6835-6844.
[3]	LI A， SUN S J， ZHANG Z Y， et al. A multi-scale traffic object detection algorithm for road scenes based on improved YOLOv5［J］. Electronics， 2023， 12（4）： 878.
[4]	BHADRA S， SAGAN V， SARKAR S， et al. PROSAIL-Net： A transfer learning-based dual stream neural network to estimate leaf chlorophyll and leaf angle of crops from UAV hyperspectral images［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2024， 210： 1-24.
[5]	MARTINEZ-ALPISTE I， GOLCARENARENJI G， WANG Q， et al. Search and rescue operation using UAVs： A case study［J］. Expert Systems with Applications， 2021， 178： 114937.
[6]	DUO C H， LI Y Q， GONG W W， et al. UAV-aided distribution line inspection using double-layer offloading mechanism［J］. IET Generation， Transmission & Distribution， 2024， 18（13）： 2353-2372.
[7]	DAI J， LI Y， HE K， et al. R-FCN： Object detection via region-based fully convolutional networks［C］∥Proceedings of the 30th International Conference on Neural Information Processing Systems. New York： Curran Associates Inc， 2016：379-387.
[8]	GIRSHICK R. Fast R-CNN［DB/OL］. arXiv preprint：1504.08083， 2015.
[9]	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection［C］∥2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2016： 779-788.
[10]	AGRAWAL N， PRABHAKARAN V， WOBBER T， et al. Design tradeoffs for SSD performance［C］∥USENIX 2008 Annual Technical Conference. Berkeley： USENIX Association， 2008： 57-70.
[11]	冒国韬，邓天民，于楠晶. 基于多尺度分割注意力的无人机航拍图像目标检测算法［J］. 航空学报， 2023， 44（5）： 326738.
	MAO G T， DENG T M， YU N J. Object detection in UAV images based on multi-scale split attention［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（5）： 326738 （in Chinese）.
[12]	罗旭东，吴一全，陈金林. 无人机航拍影像目标检测与语义分割的深度学习方法研究进展［J］. 航空学报， 2024， 45（6）： 028822.
	LUO X D， WU Y Q， CHEN J L. Research progress on deep learning methods for object detection and semantic segmentation in UAV aerial images［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（6）： 028822 （in Chinese）.
[13]	CHEN P L， WANG J T， ZHANG Z W， et al. CSPGNet： Cross-scale spatial perception guided network for tiny object detection in remote sensing images［J］. Digital Signal Processing， 2024， 154： 104674.
[14]	LUO X D， WU Y Q， ZHAO L Y. YOLOD： A target detection method for UAV aerial imagery［J］. Remote Sensing， 2022， 14（14）： 3240.
[15]	XUE C， XIA Y L， WU M J， et al. EL-YOLO： An efficient and lightweight low-altitude aerial objects detector for onboard applications［J］. Expert Systems with Applications， 2024， 256： 124848.
[16]	ZHANG H， SUN W， SUN C H， et al. HSP-YOLOv8： UAV aerial photography small target detection algorithm［J］. Drones， 2024， 8（9）： 453.
[17]	XIAO X， XUE X R， ZHAO Z Y， et al. A recursive prediction-based feature enhancement for small object detection［J］. Sensors， 2024， 24（12）： 3856.
[18]	ZHAO L L， ZHU M L. MS-YOLOv7： YOLOv7 based on multi-scale for object detection on UAV aerial photography［J］. Drones， 2023， 7（3）： 188.
[19]	WANG L Y， TIEN A. Aerial image object detection with vision transformer detector （ViTDet）［C］∥IGARSS 2023-2023 IEEE International Geoscience and Remote Sensing Symposium. Piscataway： IEEE Press， 2023： 6450-6453.
[20]	YU W H， LUO M， ZHOU P， et al. MetaFormer is actually what you need for vision［C］∥2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2022： 10809-10819.
[21]	VASWANI A. Attention is all you need［C］∥Proceedings of the 31st International Conference on Neural Information Processing Systems. New York： Curran Associates Inc， 2017： 6000-6010.
[22]	YU W H， SI C Y， ZHOU P， et al. MetaFormer baselines for vision［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 46（2）： 896-912.
[23]	LIU W Z， LU H， FU H T， et al. Learning to upsample by learning to sample［C］∥2023 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2023： 6004-6014.
[24]	TANG L F， ZHANG H， XU H， et al. Rethinking the necessity of image fusion in high-level vision tasks： A practical infrared and visible image fusion network based on progressive semantic injection and scene fidelity［J］. Information Fusion， 2023， 99： 101870.
[25]	YU F， KOLTUN V. Multi-scale context aggregation by dilated convolutions［DB/OL］. arXiv preprint： 1511.07122，2015.
[26]	WANG P Q， CHEN P F， YUAN Y， et al. Understanding convolution for semantic segmentation［C］∥2018 IEEE Winter Conference on Applications of Computer Vision （WACV）. Piscataway： IEEE Press， 2018： 1451-1460.
[27]	ALEXEY D. An image is worth 16×16 words： Transformers for image recognition at scale［DB/OL］. arXiv preprint： 2010.11929， 2020.
[28]	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］∥2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2018： 7132-7141.
[29]	WOO S， PARK J， LEE J Y， et al. CBAM： Convolutional block attention module［C］∥Computer Vision- ECCV 2018. Cham： Springer International Publishing， 2018： 3-19.
[30]	CHOLLET F. Xception： Deep learning with depthwise separable convolutions［C］∥2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2017： 1800-1807.
[31]	MAMALET F， GARCIA C. Simplifying ConvNets for fast learning［C］∥Artificial Neural Networks and Machine Learning-ICANN 2012. Heidelberg： Springer Berlin Heidelberg， 2012： 58-65.
[32]	DU D W， WEN L Y， ZHU P F， et al. VisDrone-DET2020： The vision meets drone object detection in image challenge results［C］∥Computer Vision-ECCV 2020 Workshops. Cham： Springer International Publishing， 2020： 692-712.
[33]	XIA G S， BAI X， DING J， et al. DOTA： A large-scale dataset for object detection in aerial images［C］∥2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2018： 3974-3983.
[34]	LIU Z H， WU X， ZHANG L Y， et al. LightYOLO-S： A lightweight algorithm for detecting small targets［J］. Journal of Real-Time Image Processing， 2024， 21（4）： 111.
[35]	ZHANG Z X. Drone-YOLO： An efficient neural network method for target detection in drone images‍［J］. Drones， 2023， 7（8）： 526.
[36]	FAN Q S， LI Y T， DEVECI M， et al. LUD-YOLO： A novel lightweight object detection network for unmanned aerial vehicle［J］. Information Sciences， 2025， 686： 121366.
[37]	ZHANG Z X. Drone-YOLO： An efficient neural network method for target detection in drone images‍［J］. Drones， 2023， 7（8）： 526.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

模型	mAP_0.5	mAP_0.5∶0.95	Params/M	FLOPs/G	FPS
YOLOv11n	33.3	19.4	2.58	6.3	250
YOLOv11n+B	34.7	20.4	2.46	6.4	232
YOLOv11n+N	34.0	19.8	2.53	6.4	238
YOLOv11n+B+N	35.8	20.9	2.42	6.5	213

组别	SPMCC	改进C3K2	Dysample	SDFM	mAP_0.5	mAP_0.5∶0.95	Params/M	P/%	R/%	FLOPs/G	FPS
1					33.3	19.4	2.58	45.0	33.1	6.3	250
2	√				34.0	19.9	2.73	45.5	33.6	6.3	250
3		√			35.8	20.9	2.42	48.7	34.8	6.5	213
4			√		34.2	20.0	2.59	45.3	34.4	6.3	238
5				√	36.8	21.8	3.29	47.9	36.3	8.9	233
6	√	√			35.8	21.0	2.56	46.8	35.2	6.5	217
7	√	√	√		36.1	21.2	2.58	47.0	35.8	6.5	222
8	√	√	√	√	38.4	22.7	3.30	49.9	37.1	9.3	212

模型	mAP_0.5	mAP_0.5∶0.95	Params/M	FLOPs/G	P/%	FPS
RetinaNet	22.1	16.6	19.8	93.7	41.3	43
YOLOv7-Tiny	35.4	18.9	6.00	13.3	45.9	121
Faster-RCNN	33.5	19.3	41.2	206.6	45.7	24
SSD	24.2	17.3	24.5	87.8	24.5	112
YOLOv5s	37.9	22.7	9.11	23.7	50.1	133
YOLOv8n	31.9	18.4	3.00	8.1	43.2	232
YOLOXS^［34］	35.2	19.6	8.94	26.78		40
YOLOv10n	31.7	18.4	2.71	8.4	43.3	241
YOLOv11n	33.3	19.4	2.58	6.3	33.1	250
Drone-YOLO^［35］	38.1	22.7	3.05
LUDY-N^［36］	35.2		2.81		47.0	218
HPRS-YOLO	38.4	22.7	3.30	9.3	49.9	212

模型	mAP_0.5	mAP_0.5∶0.95	Params/M	FLOPs/G
YOLOv5n	62.5	35.9	1.8	4.2
YOLOv6n	58.8	36.5	4.6	11.3
YOLOv7-tiny	66.0	39.3	6.0	13.1
YOLOv8n	65.6	42.3	3.0	8.1
YOLOv11n	67.7	45.2	2.58	6.3
DAMO-YOLO^［37］	69.6	45.6	16.4	38.2
HPRS-YOLO	69.7	45.8	3.3	9.3

项目	技术参数
名称	Jetson AGX Orin 64 GB Developer Kit
显存	64 GB 256-bit LPDDR5
CPU	12-core Arm Cortex-A78AE 64-bit 2.2 GHz
GPU	NVIDIA Ampere architecture
系统	Ubuntu 20.04
环境	Python 3.8.10、Torch 1.12.0、Cuda 11.4

低空无人机实时目标检测算法

Real-time target detection algorithm for low altitude UAVs

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 37

相关文章 15

编辑推荐

Metrics

本文评价

[1]	宋丹龙, 王源昊, 华珂伊, 杜春华, 张延超, 荆云娟. 平纹碳/碳复合材料指尖密封径向刚度特性多尺度研究[J]. 航空学报, 2025, 46(7): 430878-430878.
[2]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.
[3]	刘琛, 何晨, 高文明, 王显峰, 江林, 程硕, 李勇, 肖军. 复合材料飞机副油箱双尺度铺层设计[J]. 航空学报, 2025, 46(1): 230541-230541.
[4]	尤逸轩, 纪新春, 魏东岩, 陆一, 袁洪. 一种多尺度级联地磁匹配相似性度量准则MP-S[J]. 航空学报, 2024, 45(21): 330149-330149.
[5]	李少毅, 张雅淇, 程岳, 杨曦, 张良, 林健, 孟中杰. 场景抽象语义综合模型及其在红外弱小目标检测中的应用[J]. 航空学报, 2024, 45(20): 630702-630702.
[6]	张超, 曹勇, 赵振强, 张海洋, 孙建波, 王志华, 蔚夺魁. 树脂基复合材料在民用航空发动机中的应用与关键技术研究进展[J]. 航空学报, 2024, 45(2): 28556-028556.
[7]	于傲泽, 魏维伟, 王平, 张金强, 柯文雄. 基于分块复合注意力的无人机小目标检测算法[J]. 航空学报, 2024, 45(14): 629148-629148.
[8]	王潇, 刘贞报. 基于多层多向Transformer的红外弱小目标检测[J]. 航空学报, 2024, 45(14): 629490-629490.
[9]	刘延芳, 佘佳宇, 袁秋帆, 周芮, 齐乃明. 无人机遥感图像实时小目标检测方法[J]. 航空学报, 2024, 45(14): 630119-630119.
[10]	肖欣林, 施伟超, 郑向涛, 高跃明, 卢孝强. 基于多模型协同的舰船目标检测[J]. 航空学报, 2024, 45(14): 630241-630241.
[11]	李峻宇, 刘乾坤, 付莹. 融合注意力机制的红外小目标检测[J]. 航空学报, 2024, 45(14): 628959-628959.
[12]	张定华, 何智伟, 张学宝, 罗明. 叶片多尺度表面对压气机气动性能影响及其高性能制造研究进展[J]. 航空学报, 2024, 45(13): 629642-629642.
[13]	张少平, 郭会明, 高彤, 张卫红. 基于先进激光加工技术的下一代航空发动机跨尺度整体式承力薄壁构件设计方法与应用[J]. 航空学报, 2024, 45(13): 630037-630037.
[14]	叶致凡, 赵瑾, 李志辉, 孙向春, 文东升. 基于气固界面热化学反应模型的热防护材料烧蚀过程多尺度耦合计算方法[J]. 航空学报, 2023, 44(S2): 729469-729469.
[15]	张卫红, 周涵, 李韶英, 朱继宏, 周璐. 航天高性能薄壁构件的材料-结构一体化设计综述[J]. 航空学报, 2023, 44(9): 627428-627428.