基于无人机影像的高精度实时罂粟检测方法研究.pdf

湖北工业大学硕士学位论文

摘要

在中国，未经有关部门许可种植罂粟是违法的。然而，罂粟作为一种具有药

用价值的植物，在中国的一些农村地区仍然存在私自种植的现象。传统罂粟检测

方法依赖人工采集影像并识别，需要耗费大量的人力物力，且检测效率低下。因

此，进行高效实时的罂粟检测，对于禁毒工作具有重要意义。无人机是检测罂粟

的有效工具，目前基于无人机影像的高精度实时罂粟检测主要面临两个方面的问

题：在我国农村地区人为种植的罂粟数量少、密度低，且待检测目标区域经常出

现遮挡和混淆的情况，导致现有的检测方法很难对罂粟进行精确检测。并且现有

基于深度学习的检测方法随着神经网络深度的增加，计算量和参数量也随之变大，

导致其难以部署到运算能力和存储资源受限的无人机平台上。本文针对上述问题，

对于罂粟检测方法中精度和效率问题开展研究，具体包括以下两方面：

（1）针对罂粟检测任务中，检测目标大多受到干扰或遮挡，罂粟完整信息

难以提取的问题，本文结合多尺度注意力机制，提出一种基于无人机影像的罂粟

检测模型YOLOHLA。具体来说，该模型加入了一个新的注意力模块HLA

（High-LowAttention），利用注意力机制中的两个分支来提取不同尺度的特征，

并将其压缩为一维特征向量，以增强全局感受野，使模型更加关注感兴趣的区域，

提高罂粟检测的准确性。为了增强模型泛化能力，本文提出了一种基于先验知识

的重学习训练策略，通过不断学习目标的潜在特征，并将包括漏检、误检在内的

困难样本，添加到训练数据集中进行下一次训练，直到模型达到最佳拟合状态。

（2）针对深度神经网络难以部署在资源受限的无人机平台上的问题，本文

在YOLOHLA的基础上，提出一种基于稀疏化尺度因子的模型轻量化方法。具体

来说，该方法通过加入正则化约束使通道具有稀疏性，然后根据通道中的可训练

参数大小按照一定比例将冗余的通道剪除，并采用微调训练的方法对模型精度进

行优化，通过多次重复轻量化流程最终得到综合性能最合适的模型YOLOHLA-

Tiny。

为了更好地部署在嵌入式平台上，本文使用NVIDIAJetsonOrin作为实验平

台进行验证。与现有模型相比，本文所提出的YOLOHLA模型具有更好的检测性

能和更快的执行速度，在罂粟检测任务上达到了88.2%的平均精度（mAP）和

85.5%的F1分数。另外，本文所提出的轻量级模型YOLOHLA-Tiny在嵌入式平

I

湖北工业大学硕士学位论文

台上实现了每秒172帧的推理速度。实验结果表明了本文所提出的罂粟目标检测

方法更适合于无人机平台实时罂粟检测任务。

关键词：罂粟检测，无人机遥感，深度神经网络，重学习，模型轻量化

II

湖北工业大学硕士学位论文

Abstract

InChina,itisillegaltocultivateopiumpoppywithoutpermissionfromthe

relevantauthorities.However,asaplantwithmedicinalvalue,opiumpoppyisstill

cultivatedprivatelyinsomeruralareasofChina.Traditionalopiumpoppydetection

methodsrelyonmanualimagecollectionandidentification,whichrequiresagreatdeal

ofhumanandmaterialresourcesandisinefficient.Therefore,efficientreal-timeopium

poppydetectionisofgreatsignificancetoanti-drugefforts.Thedroneisaneffective

toolfordetectingpoppy,andatpr