摘要：為了解決傳統雷達在低空小型無人機探測中探測精度受限等不足，提出一種基于深度學習的低空小型無人機探測系統。系統采用三層架構設計：感知層利用攝像頭采集實時圖像數據;硬件層基于邊緣計算技術，使用Jetson Nano作為硬件平臺，結合決策層中的目標檢測算法，實現了高效且精準的預警功能。在算法選擇上，通過實驗對比分析了主流目標檢測算法，選擇最優算法YOLOv8，并對其進行優化。實驗結果表明，優化后的算法各項指標均有顯著提升，驗證了該方案的有效性。

　　關鍵詞：無人機;深度學習;邊緣計算;Jetson Nano;YOLOv8

　　論文《基于深度學習的無人機探測系統搭建與優化》發表在《電腦與電信》，版權歸《電腦與電信》所有。本文來自網絡平臺，僅供參考。

　　1 引言

　　近年來，小型無人機的廣泛應用推動了產業界的技術革新。然而，這些無人機在為社會提供便利的同時，也對公共安全構成了威脅。傳統雷達系統在低空小型無人機探測方面表現出顯著不足。一方面，低空飛行的無人機具有較小的雷達反射截面積，易被傳統雷達忽略。另一方面，復雜的地面反射和背景干擾使得傳統雷達的探測精度受到限制。

　　為應對上述挑戰，本文提出一種基于深度學習的低空小型無人機探測系統，該系統以Jetson Nano為智能硬件平臺，結合深度學習中的目標檢測算法，充分利用深度學習的高效性與邊緣計算的低延時特性，實現對低空無人機的實時精準識別，同時有效降低了使用成本。實驗結果表明，該系統在準確率和識別速度方面均表現出顯著優勢，為低空小型無人機探測提供一種靈活、高效且經濟的解決方案。

　　2 系統結構框架

　　系統采用三層架構設計，包括感知層、硬件層和決策層。

　　決策層：深度學習目標檢測算法

　　硬件層：數據實時處理

　　感知層：攝像頭采集數據

　　感知層包含攝像頭，負責實時捕獲低空環境的視頻流，為后續的數據分析與目標檢測提供基礎支持。

　　硬件層基于Jetson Nano邊緣計算平臺，執行模型推理任務，實現低延遲和高實時性的數據處理功能。

　　決策層依托硬件層，利用優化后的深度學習目標檢測算法，對感知層輸入的實時數據進行處理并分析結果，從而實現低空無人機探測功能。三層架構設計具有模塊化、經濟性和高可靠性等優勢。各層功能分工明確，通過高效協作實現了對低空小型無人機的高效、低成本探測。

　　2.1 感知層設計

　　感知層是系統的輸入模塊，主要負責環境數據的采集。該層選用高分辨率工業攝像頭作為核心設備，其具備優異的抗干擾能力和高幀率性能，能夠在復雜的光照條件下穩定運行。攝像頭安裝在固定位置，覆蓋低空飛行區域，用以全面捕獲無人機的飛行軌跡。為了提高數據處理的效率，感知層可對實時視頻流處理，將其轉換為圖像幀并傳輸至硬件層。高質量的圖像數據為后續的目標檢測和分析提供了堅實基礎。

　　2.2 硬件層設計

　　硬件層基于NVIDIA Jetson Nano邊緣計算平臺，負責執行深度學習模型推理任務。Jetson Nano集成了NVIDIA Maxwell GPU和Cortex-A57 CPU，具備低功耗和高性能的特點，能夠高效運行深度學習算法。該平臺使用Ubuntu 18.04操作系統，配套安裝了TensorRT、CUDA 和cuDNN 等工具庫，為模型推理提供了強大的基礎類庫支持。

　　硬件層通過邊緣計算技術，實現了低延遲的數據處理能力，為決策層的目標檢測和預警功能提供了可靠的硬件基礎。此外，模塊化的設計使得系統具備良好的擴展性和適應性。

　　2.3 決策層設計

　　決策層采用優化后的YOLOv8深度學習目標檢測算法，專門針對低空小型無人機的探測需求進行優化。優化后的版本在復雜環境中表現出卓越的魯棒性，能夠在保持檢測速度的同時實現高精度目標檢測。

　　在探測到疑似無人機目標時，決策層會立即觸發系統報警機制，實現對潛在威脅的實時預警功能。優化后的YOLOv8不僅提高了目標檢測的準確率，同時顯著增強了泛化性。

　　完成優化設計后，系統成功實現了低空小型無人機的精準探測與高效預警。

　　3 算法優化

　　本文通過一系列優化策略對YOLOv8進行了針對性改進，包括數據增強以提升模型的泛化能力，Focal Loss優化以緩解正負樣本不平衡問題，Anchor Box優化以更好地適配小目標檢測需求，以及模型剪枝技術以減小模型規模并提升推理效率。

　　3.1 數據增強優化及評估

　　在模型訓練過程中，數據增強是提高模型泛化能力的重要手段。采用旋轉、裁剪、翻轉、縮放等技術，生成多樣化的訓練樣本。通過隨機旋轉圖像一定角度，可以增強模型對不同角度無人機的檢測能力;隨機裁剪圖像部分區域，使模型能適應不同位置和大小的無人機;水平和垂直翻轉圖像，增加數據集的多樣性和模型的泛化能力;隨機縮放圖像，改變目標的大小，以提高模型對不同尺度目標的檢測能力。

　　數據多樣化策略可以進一步提升模型的魯棒性。通過添加噪聲、顏色變換、亮度調整等手段，使得模型在復雜背景和光照條件下仍能準確識別無人機。例如，添加高斯噪聲可以模擬圖像中的干擾，顏色變換和亮度調整可以模擬不同天氣條件和光照變化。這些策略能使模型在訓練過程中學到更多的特征，增強其在不同環境下的檢測能力。

　　由于需要在保持YOLOv8x預測精度的基礎上，盡可能使其接近YOLOv8n的推理速度，因此，優化后的模型需要與原始性能的YOLOv8x 和YOLOv8n 進行數據對比。

　　表1 經過數據增強優化后的推理速度及準確度與原始算法的數據對比

　　| 算法 | mAP | Recall | F1 Score | mAP @0.5:0.95 | FPS(每秒處理幀數) | MU(內存占用) | TNR(真反例率) | FPR(假正例率) | FNR(假反例率) | IoU(交并比) | CE(交叉熵損失) |

　　| 原始YOLOv8x | 0.87 | 0.85 | 0.86 | 0.78 | 90 | 3.00 | 0.97 | 0.03 | 0.15 | 0.17 | 0.01 |

　　| 原始YOLOv8n | 0.81 | 0.80 | 0.81 | 0.70 | 150 | 1.20 | 0.95 | 0.04 | 0.18 | 0.20 | 0.02 |

　　| 數據增強優化后YOLOv8 | 0.89 | 0.87 | 0.88 | 0.80 | 88 | 3.10 | 0.98 | 0.02 | 0.13 | 0.15 | 0.01 |

　　從實驗結果可以看出，經過數據增強后，模型在準確率、召回率和F1分數等方面均略有提升，說明數據增強策略對模型性能提升具有一定的效果。盡管優化效果并不明顯，但模型在復雜背景和不同光照條件下的魯棒性得到了增強，進一步驗證了數據增強技術在低空小型無人機檢測任務中的重要性。

　　3.2 Focal Loss優化及評估

　　在低空小型無人機檢測任務中，由于檢測環境的復雜性，常會遇到類間不平衡的問題，即背景樣本數量遠遠多于目標樣本。這種情況下，傳統的交叉熵損失容易受到大量簡單背景樣本的影響，導致模型訓練效果不佳。

　　為解決這一問題，本文引入Focal Loss來優化YOLOv8模型。Focal Loss是為了解決類間不平衡問題而提出的一種損失函數，它在標準交叉熵損失的基礎上引入了一個調節因子，用來降低簡單樣本的損失貢獻，并增加難以分類樣本的損失權重。

　　公式：$FLleft(p_{r} ight)=-alpha_{r}left(1-p_{r} ight)^{gamma} log left(p_{r} ight)$

　　其中，$p_{r}$ 是預測為正類的概率;$alpha_t$ 是平衡因子，用于平衡正負樣本比例。$gamma$ 是調節因子，用于調整難易樣本權重，一般取值為2，本次實驗使用該值。

　　表2 經過Focal Loss優化后的推理速度及準確度與原始算法的數據對比

　　| 算法 | mAP | Recall | F1 Score | mAP @0.5:0.95 | FPS | MU | TNR | FPR | FNR | IoU | CE |

　　| 原始YOLOv8x | 0.87 | 0.85 | 0.86 | 0.78 | 90 | 3.00 | 0.97 | 0.03 | 0.15 | 0.17 | 0.01 |

　　| 原始YOLOv8n | 0.81 | 0.80 | 0.81 | 0.70 | 150 | 1.20 | 0.95 | 0.04 | 0.18 | 0.20 | 0.02 |

　　| Focal Loss優化后YOLOv8 | 0.89 | 0.88 | 0.88 | 0.81 | 88 | 3.10 | 0.98 | 0.02 | 0.13 | 0.16 | 0.01 |

　　由上表實驗結果可以看出，使用Focal Loss優化后的模型，在準確率、召回率和F1分數均有所提升，但FPS出現明顯的下降。這是因為損失計算的復雜度增加，帶來額外的計算開銷。以上實驗數據表明，本任務中并不適合使用Focal Loss優化。

　　3.3 Anchor Box優化及評估

　　Anchor Box即為錨框，是預先定義的一組矩形框。其目的是提供一組參考框，以便檢測器在訓練和推理過程中可以更準確地定位和分類目標。每個錨框有其固定的寬高比和尺寸。在訓練過程中，模型會學習如何調整這些錨框，使其與實際目標框更加吻合。在低空小型無人機檢測任務中，目標的尺寸和形狀可能會有很大的變化，默認的錨框配置可能無法很好地適應這些變化，從而影響模型的檢測性能。

　　具體優化步驟如下：

　　1. 統計目標分布：對訓練數據集中的目標框進行統計分析，確定目標框的尺寸和寬高比分布。

　　2. K-means聚類：使用K-means聚類算法，對統計得到的目標框進行聚類，以確定最優的Anchor Box尺寸和比例。

　　3. 更新Anchor Box配置：將聚類得到的Anchor Box尺寸和比例更新到模型配置中，并重新訓練模型。

　　表3 經過Anchor Box優化后的推理速度及準確度與原始算法的數據對比

　　| 算法 | mAP | Recall | F1 Score | mAP @0.5:0.95 | FPS | MU | TNR | FPR | FNR | IoU | CE |

　　| 原始YOLOv8x | 0.87 | 0.85 | 0.86 | 0.78 | 90 | 3.00 | 0.97 | 0.03 | 0.15 | 0.17 | 0.01 |

　　| 原始YOLOv8n | 0.81 | 0.80 | 0.81 | 0.70 | 150 | 1.20 | 0.95 | 0.04 | 0.18 | 0.20 | 0.02 |

　　| Anchor Box優化后YOLOv8 | 0.90 | 0.88 | 0.89 | 0.82 | 89 | 3.05 | 0.98 | 0.02 | 0.13 | 0.16 | 0.01 |

　　實驗結果表明，使用Anchor Box優化后，盡管FPS值略有下降，但準確率、召回率和F1分數均有所提升，取得了不錯的成績。并且在實驗中發現，在處理多尺度目標時，使用Anchor Box優化后的模型表現更為優異。

　　3.4 模型剪枝優化及評估

　　為了進一步提高YOLOv8模型在低資源設備上的運行效率，同時保持其高精度，本文使用了模型剪枝優化技術。模型剪枝可以通過減少模型參數數量，降低計算量和內存占用，從而加快推理速度并降低資源需求。

　　在對YOLOv8模型應用模型剪枝過程中，L1范數被用作評估權重重要性的一種方法。L1范數是一個向量中所有元素絕對值的總和。在深度學習中，它用于衡量模型參數的重要性。

　　公式：$| W| _{1}=sum_{i} sum_{j}left|W_{i, j} ight|$

　　其中，$W_{ij}$ 是矩陣中第i行第j列的元素。在模型剪枝過程中，L1范數用于評估每個卷積核或通道的權重重要性，即對于每個卷積核或通道，計算其權重的L1范數，L1范數較小的權重表示該卷積核或通道對模型的貢獻較小，因此可以考慮剪除。

　　本文采用結構化剪枝方法，具體步驟如下：

　　1. 預訓練模型：首先在數據集上訓練一個模型。

　　2. 評估權重重要性：使用L1范數，評估每個卷積核或通道的重要性。

　　3. 剪枝策略：通過計算每個卷積核或通道的L1范數，將每個卷積核的L1范數從高到低排序。同時設定比例為40%，剪掉范數最低的部分。

　　4. 微調模型：對剪枝后的模型進行微調，以恢復性能損失。

　　5. 評估模型：比較剪枝前后模型的性能指標和資源消耗。

　　本文使用YOLO-Silm自動化剪枝工具，該工具能夠簡化YOLO系列模型的結構化剪枝過程。

　　表4 YOLO-Silm參數設定表

　　| 參數名稱 | 設定值 | 參數作用描述 |

　　| pruning_ratio | 0.4 | 剪掉的通道數量，0.4表示剪掉40%的通道數 |

　　| criterion | l1_norm | 剪枝指標，l1_norm即為使用L1范式 |

　　| layer_wise | False | 每層是否單獨設置剪枝比例，False表示全局統一剪枝 |

　　| min_channels | 32 | 每層保留的最小通道數，以避免剪枝過多導致模型失效 |

　　| fine_tune_epochs | 20 | 微調的輪數，用于恢復剪枝后模型性能 |

　　| learning_rate | 1e-4 | 微調時的學習率，也就是0.0001 |

　　| optimizer | SGD | 優化器類型，SGD為隨機梯度下降 |

　　| eval_metric | mAP@0.5:0.95 | 性能評估指標 |

　　| batch_size | 64 | 推理時的批量大小，batch_size越大泛化能力越好 |

　　表5 經過模型剪枝優化后的推理速度及準確度與原始算法的數據對比

　　| 算法 | mAP | Recall | F1 Score | mAP @0.5:0.95 | FPS | MU | TNR | FPR | FNR | IoU | CE |

　　| 原始YOLOv8x | 0.87 | 0.85 | 0.86 | 0.78 | 90 | 3.00 | 0.97 | 0.03 | 0.15 | 0.17 | 0.01 |

　　| 原始YOLOv8n | 0.81 | 0.80 | 0.81 | 0.70 | 150 | 1.20 | 0.95 | 0.04 | 0.18 | 0.20 | 0.02 |

　　| 模型剪枝優化后YOLOv8 | 0.85 | 0.84 | 0.83 | 0.75 | 120 | 2.00 | 0.95 | 0.05 | 0.18 | 0.20 | 0.02 |

　　從表中數據能夠看出，使用模型剪枝優化技術能夠顯著提升模型推理速度，其FPS增加至120，接近YOLOv8n的150，對于Jetson Nano來說可以接受。盡管性能指標有所下降，mAP值由0.87下降至0.85，但相比于YOLOv8n的0.81還是高出不少。

　　為了進一步恢復性能，本文在剪枝優化的基礎上，對模型繼續使用數據增強和Anchor Box優化。

　　表6 剪枝優化后繼續使用數據增強和Anchor Box優化后的推理速度及準確度與原始算法的數據對比

　　| 算法 | mAP | Recall | F1 Score | mAP @0.5:0.95 | FPS | MU | TNR | FPR | FNR | IoU | CE |

　　| 原始YOLOv8x | 0.87 | 0.85 | 0.86 | 0.78 | 90 | 3.00 | 0.97 | 0.03 | 0.15 | 0.17 | 0.01 |

　　| 原始YOLOv8n | 0.81 | 0.80 | 0.81 | 0.70 | 150 | 1.20 | 0.95 | 0.04 | 0.18 | 0.20 | 0.02 |

　　| 僅模型剪枝優化YOLOv8 | 0.85 | 0.84 | 0.83 | 0.75 | 120 | 2.00 | 0.95 | 0.05 | 0.18 | 0.20 | 0.02 |

　　| 剪枝+數據增強+Anchor Box優化YOLOv8 | 0.86 | 0.85 | 0.84 | 0.77 | 120 | 2.50 | 0.96 | 0.04 | 0.19 | 0.17 | 0.01 |

　　通過上述實驗數據分析可以得出，進一步優化后的模型在準確率、召回率和F1分數等核心性能指標上均表現出顯著提升，已經接近于YOLOv8x模型的水平。此外，模型的推理速度也同樣得到了顯著改善，幾乎達到了YOLOv8n的性能水平。尤其是在實際部署環境中，優化后的模型能夠以更快的速度和較低的硬件資源消耗實現高精度的無人機檢測。從整體實驗數據來看，驗證了本文優化策略的有效性。

　　實際測試選取了兩類典型場景：一是飛行高度約60米、存在樹枝遮擋的復雜背景場景;二是逆光昏暗場景。優化模型在兩種環境下均可精準識別四旋翼無人機，識別置信度分別為0.74、0.76，證明模型在復雜背景與弱光條件下具備良好的識別性能與魯棒性。

　　4 總結與展望

　　本文針對傳統雷達系統在低空小型無人機探測中的不足，提出了一種基于深度學習的無人機探測系統。系統采用了三層架構：即感知層、硬件層和決策層。同時，在深度學習算法模型上重點實施了數據增強、Anchor Box優化以及模型剪枝等優化措施，實現了對無人機高精度和高效率的探測能力。實驗結果表明，優化后的YOLOv8在探測精度、反應速度和探測系統的全面性能指標上均有顯著提升，為未來系統的進一步優化提供了堅實的基礎。

　　盡管本文通過多種優化策略顯著提升了YOLOv8的性能，但仍存在一些不足和改進方向。首先，數據集可能不夠全面，未能覆蓋所有可能的低空小型無人機場景和條件，導致模型的泛化能力受到限制。其次，雖然模型剪枝減少了內存占用并提高了推理速度，但部分重要特征可能在剪枝過程中被誤剪，導致模型性能下降。

　　未來的改進方向有：收集更多不同場景和條件下的低空小型無人機數據，包括不同光照、天氣和背景條件下的數據，以提升模型的泛化能力和適應性。進一步研究和優化剪枝策略，采用敏感性分析，確保在保留模型重要特征的同時，最大限度地減少冗余計算，提高模型在復雜場景中的檢測能力。

　　參考文獻

　　[1] 湯新民,顧俊偉,劉冰,等.低空監視技術及其發展趨勢綜述[J].南京航空航天大學學報,2024, 56(6):973-993.

　　[2] 邱小劍,駱博雅,付珍,等.國內外反無人機技術發展綜述[J].戰術導彈技術,2024(5):63-73+98.

　　[3] 張霞峰,柳暢,單業奇,等.基于視覺傳感器的無人駕駛機器人控制系統設計與研究[J].機電工程技術,2024, 53(12):146-148+186.

　　[4] Jeong E,Kim J,Ha S,et al.TensorRT-Based Framework and Optimization Methodology for Deep Learning Inference on Jetson Boards [J].ACM Transactions on Embedded Computing Systems,2022,21(5):51-76.

　　[5] 張光錢,周廣利,黃飛,等.面向3D目標檢測的多模態生成式圖像數據增強的研究[J].重慶理工大學學報(自然科學),2024,38 (10):13-20.

　　[6] 曲坤,王震龍,劉志鋒.基于多表征學習的交叉熵集成圖像分類方法[J].計算機工程,2024,50(10):322-333.

　　[7] 孫仕棚,蘭時勇.考慮注意力的無錨框孿生網絡目標跟蹤算法[J].計算機應用與軟件,2024, 41(12):268-274.

　　[8] 黃海新,徐成龍.大語言模型的剪枝算法綜述[J].通信與信息技術,2025(1):95-99.

　　[9] Jani,M.,Alhassan,et al.Model Compression Methods for YOLOv5:A Review[J].arXiv preprint. 2023, arXiv:2307. 11904.

　　[10] Betti A.YOLO-S:A Lightweight and Accurate YOLO-like Network for Small Target Detection in Aerial Imagery[J].Sensors,23(4):1865.