基于改进YOLOv5网络模型的无人机影像道路目标检测

针对无人机遥感道路影像内目标分布混乱且尺寸差异大、负样本所占比例较高等问题,提出了基于YOLOv5X的无人机遥感影像道路目标检测模型RA_YOLOv5。采用感受野-坐标注意力卷积替换骨干网络内的常规卷积核,然后以空洞-空间金字塔池化-通道注意力层替换原始特征金字塔池化层;在特征融合网络中引入自适应特征融合层,通过特征图加权融合解决不同尺寸检测图之间样本、背景矛盾的问题;使用解耦检测头分别计算回归、分类任务,并替换损失函数以缓解正负样本不均衡问题。实验结果表明,RA_YOLOv5在VisDrone数据集上平均精度均值达到90.42%,较YOLOv5X提高了7.85%,在测试环境下,检测帧数达到35.46帧每秒,能够实际输出检测结果,同时具有良好的稳定性,能够在道路巡检、交通流量监控、应急事故处理等多种场景下发挥重要作用。