仪器仪表学报

作者：王迎龙，孙 备，丁 冰，卜德森，孙晓永

单位：王迎龙,1.国防科技大学智能科学学院,,孙 备,1.国防科技大学智能科学学院,,丁 冰,1.国防科技大学智能科学学院,,卜德森,1.国防科技大学智能科学学院,,孙晓永,1.国防科技大学智能科学学院,

关键词：YOLOv8;Biformer;GhostNetV2;低慢小无人机目标检测;复杂大视角场景

针对现有无人机目标检测模型在体积、计算资源需求以及小目标检测效果方面的不足,提出了一种改进的无人机目标检测算法BG-YOLO。该算法基于YOLOv8,通过在高分辨率特征层添加检测头,有效减少了图像下采样过程中的信息丢失,显著提升了模型对小目标的检测能力。同时,引入Biformer注意力机可以制精准捕捉图像的远程依赖关系,增强模型对不同尺度目标的感知能力。此外,NWD损失函数的引入解决了传统损失函数在小目标检测中对位置偏差敏感的问题,显著提高了模型的鲁棒性。基于GhostNetV2的模型轻量化则通过替换传统卷积模块,在减少模型参数和计算量的同时,保持了模型的检测精度。实验结果表明,BG-YOLO在Det-Fly数据集上相比YOLOv8的mAP@0.5提高了10.3%,参数量减少了33.18%,而与YOLOv9相比提高了7.9%。此外,该算法在自采集数据集上也表现出色,对天空、山地、建筑等不同场景的低慢小目标分别实现了96.2%、88.1%和86.2%的平均精度,检测速度分别为150.36、128.21、112.53fps,实现了高检测精度和高检测速度的要求。综上所述,BG-YOLO通过检测头设计、注意力机制引入、损失函数改进以及模型轻量化,显著提升了对低慢小无人机目标的检测精度和实时性,具有广阔的应用前景。

来源：2025年第2期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第2期