YOLO-Drone：基于高空视角的空中实时密集小目标检测

无人飞行器（Unmanned Aerial Vehicles, UAVs），尤其是配备遥感目标检测技术的无人机，已迅速拓展至广泛的应用领域，并成为计算机视觉研究中的核心方向之一。尽管无人机遥感系统具备检测多种目标的能力，但由于目标尺寸较小、图像质量退化以及实时性限制等因素，对小尺度目标的可靠检测仍面临挑战。为应对上述问题，本文提出一种实时目标检测算法——YOLO-Drone，并将其应用于两个新型无人机平台及一种特定光源（基于硅基的金色LED）环境。YOLO-Drone具有以下创新点：1）引入新型主干网络Darknet59；2）设计了一种新型复杂特征融合模块MSPP-FPN，该模块融合了一个空间金字塔池化（Spatial Pyramid Pooling, SPP）模块与三个空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块；3）采用广义交并比（Generalized Intersection over Union, GIoU）作为损失函数。为全面评估算法性能，实验采用两个公开基准数据集UAVDT与VisDrone，以及一个在硅基金色LED光源下夜间采集的自建数据集。实验结果表明，在UAVDT和VisDrone数据集上，所提出的YOLO-Drone分别相较于当前最优（State-of-the-Art, SOTA）方法提升了10.13%和8.59%的平均精度均值（mAP）。在UAVDT数据集上，YOLO-Drone不仅实现了高达53帧/秒（FPS）的实时推理速度，还达到了34.04%的最大mAP。尤为突出的是，在硅基金色LED光照条件下，YOLO-Drone表现出卓越的检测性能，mAP最高达到87.71%，显著优于传统光照条件下YOLO系列模型的检测效果。综上所述，所提出的YOLO-Drone算法为无人机目标检测任务提供了一种高效可靠的解决方案，尤其在夜间检测场景中，结合硅基金色LED照明技术展现出显著优势，具有重要的应用价值与推广前景。