一种面向嵌入式边缘计算设备的反无人机目标检测方法

随着无人机技术广泛应用，其滥用带来的安全风险日益显著。而传统检测和预警技术成本高、易受干扰。深度学习计算机视觉技术为无人机检测提供了高效、精准、低成本优势的新方案。然而，边缘设备上的无人机检测面临复杂背景、目标小且快、运动模糊及精度与速度平衡等挑战，本文基于 YOLOv8 模型，针对边缘设备限制，引入轻量级动态上采样器 DySample 加强特征融合，并应用三维注意力机制 SimAM 自适应调节特征权重，聚焦于目标区域，旨在提升无人机检测的准确性和鲁棒性，有效应对边缘计算环境下的检测难题。在 Det-Fly 与 TIBNet 数据集实验数据表明，本文提出的方法分别提升了 4.5%、3.17%，且在边缘计算板中效果提升 4.04%、4.34%，显著提升检测效率，满足实时反无人机检测的实际需要。