《电子技术应用》
您所在的位置：首页 > 模拟设计 > 设计应用 > 融入注意力机制的改进YOLOv8n低空飞行器检测技术
融入注意力机制的改进YOLOv8n低空飞行器检测技术
网络安全与数据治理
杨光飞1,2，张蕾蕾1
1.大连理工大学系统工程研究所； 2.大连理工大学先进智能研究院
摘要： 针对小型低空飞行器在复杂环境中检测难的问题，提出了一种基于改进YOLOv8n模型的视觉检测方法。通过引入轻量级的AKConv卷积模块、SEAM通道空间混合域注意力模块和排斥损失函数，构建了YOLOv8-SE模型，并利用自制数据集进行训练与测试。AKConv模块通过动态调整卷积核的采样位置提升了特征提取的灵活性，SEAM模块增强了关键特征的捕捉能力，排斥损失函数则改善了遮挡环境下的检测精度。实验结果表明，相较于传统模型，YOLOv8-SE在多个评价指标上均表现优异。该研究为低空飞行器检测领域提供了一种高效、可靠的解决方案，为资源受限设备上的深度学习模型优化提供了新思路。
中图分类号：TP391.41文献标识码：ADOI:10.19358/j.issn.2097-1788.2025.12.006引用格式：杨光飞，张蕾蕾. 融入注意力机制的改进YOLOv8n低空飞行器检测技术［J］.网络安全与数据治理，2025，44（12）：39-47.
Research on lowaltitude aircraft recognition technology based on YOLOv8n and attention mechanism
Yang Guangfei1,2, Zhang Leilei1
1. Institute of Systems Engineering, Dalian University of Technology; 2. Institute of Advanced Intelligence, Dalian University of Technology
Abstract： This study addresses the challenge of detecting small lowaltitude aircraft in complex environments, and proposes a visual detection method based on an improved YOLOv8n model. The YOLOv8SE model was constructed by integrating the lightweight AKConv convolution module, the SEAM channelspatial mixeddomain attention module, and the repulsion loss function. A custom dataset was used for training and testing. The AKConv module enhances the flexibility of feature extraction by dynamically adjusting the sampling positions of convolution kernels, the SEAM module improves the ability to capture key features, and the repulsion loss function enhances detection accuracy in occluded environments. Experimental results demonstrate that YOLOv8SE outperforms traditional models across multiple evaluation metrics. This research provides an efficient and reliable solution for small aerial targets detection and offers new insights into optimizing deep learning models for resourceconstrained devices.
Key words : small aerial targets; YOLOv8n; AKConv convolution；attention mechanism

引言

近年来，“低慢小”目标一直是公共安全和科研领域的研究重点。这类目标由于其飞行高度低、飞行速度慢、目标小的特性，难以被探测、容易隐藏，因而备受关注。尤其是四旋翼低空飞行器等新型飞行器，由于成本低廉、操纵简单、难以被探测等特点，在航拍、探测、检测等领域得到了广泛应用。然而，随之而来的安全隐患也日益显现，这些“低慢小”低空飞行器的无序飞行给社会秩序和公共安全带来了严重威胁［1］。国内外学者在低空飞行器监测技术上不断突破，如研发高精度飞行控制系统、改进图像检测算法、开发实时数据传输和处理系统等。Li等人利用SVM分类器和连续帧间差分法检测低空飞行器，成功将检测时间从0.162 s缩短到0.093 s，同时保证了检测精度［2］。薛珊等人设计了一种卷积神经网络，实现了95.9%的低空飞行器检测准确率［3］。Jamil等人提出了一种结合支持向量机多项式核和AlexNet模型的方法，用于监测恶意低空飞行器，检测精度达到97.4%［4］。但这些方法仍然面临一些挑战。构建特征提取器需要深厚的专业知识，这限制了方法的普适性和可扩展性，并在实际应用中可能会导致误检或漏检，尤其是在低空飞行器技术快速发展的背景下，新出现的低空飞行器型号和功能可能需要重新设计和训练特征提取器。Alom等人改进了循环卷积神经网络，结合InceptionV4和残差网络结构，形成IRRCNN检测网络，在多个数据集(如CIFAR10、CU3D100)上取得了最佳检测精度［5］。Schumann等提出了使用Faster RCNN网络的方法，并在自建数据集上训练，成功检测鸟类和低空飞行器两类目标，测试集上达到最高精度［6-7］。Saqib等人测试了不同结构的卷积神经网络，发现使用VGG16结构的FasterRCNN神经网络具有最高检测精度［8］。Aker等人开发了一种生成不同背景下鸟类和低空飞行器合成数据集的方法，用于训练低空飞行器检测神经网络［9］。Wu等人则将显著性方法引入卡尔曼滤波器，以实现对运动小目标的跟踪和定位［10］。基于深度学习算法的目标检测与跟踪模型需要部署到高性能处理器上，并结合图像或视频数据使用，对使用场景有一定要求。由于低空飞行器的载荷限制，通常使用资源受限的嵌入式设备，导致深度学习算法运行时间较长且精度不理想，因此需要在追求高精度的同时高效利用计算资源。本研究通过在YOLOv8n算法中融入注意力机制，旨在提升目标检测的准确性和鲁棒性，以适应现实世界中光照变化和遮挡情况下的挑战。此外，本研究还关注了算法在实际部署中的计算效率和功耗问题，通过模型剪枝和量化等技术进一步降低算法复杂度，使其更适合在资源受限的低空飞行器平台上部署。这一研究成果不仅能够增强低空飞行器的监测和检测能力，还提供了一种经济高效、快速响应的解决方案来应对低空飞行器可能面临的安全威胁，从而为低空飞行器技术的持续发展提供支持。


本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000006898


作者信息：

杨光飞1,2，张蕾蕾1

(1.大连理工大学系统工程研究所，辽宁大连116024；

2.大连理工大学先进智能研究院，辽宁大连116024)


官方订阅.jpg

此内容为AET网站原创，未经授权禁止转载。

相关内容