改进YOLOv5s的无人机鼠洞目标检测

[目的]针对自然场景下无人机拍摄的图像中鼠洞目标占比小，与地物高度融合且容易受阴影等各类因素影响，导致误识别率高的情况，需要对目标检测算法进行改进，以提高鼠洞定位精度。[方法]以YOLOv5s为基础算法进行优化改进，在Backbone主干网络的C3模块融合轻量ECA注意力机制模块，从通道方面更好关注特征信息，降低漏检率；在特征金字塔FPN中引入转置卷积学习最佳上采样方法，恢复卷积运算中丢失的有用信息；用SIoU替换CIoU损失函数来有效减少冗余框，同时加快预测框的收敛和回归。其次，做消融实验来验证3种改进策略的有效性并对比模型改进前后在不同场景下的识别情况。[结果]改进的YOLOv5s比原始模型的P、R和mAP分别提高了3.3%、3.7%和3.5%,FPS达到了56.7，且在特殊场景下无漏检、错检的情况，可以保证鼠洞检测的准确性和实时性。对比其它算法在平均检测精度、体积和速度上都较有优势。[结论]本文改进的算法能满足在复杂场景下的鼠洞检测，实现精确定位，为鼠害监测提供鼠洞检测方面的支撑。