恶劣天气与图像失真对基于视觉的无人机检测的影响：深度学习模型的性能评估

发布时间：2025-09-17 打印

　　研究旨在系统评估恶劣天气和图像失真条件对基于视觉的无人机检测性能的影响，填补现有研究在恶劣环境下无人机检测领域的空白，通过测试多种深度学习模型在雨、噪声和运动模糊等条件下的表现，提出增强模型鲁棒性的训练策略，以提高无人机检测系统在实际复杂环境中的可靠性和准确性。

　　研究团队创建了一个包含复杂背景和恶劣天气条件下无人机图像的新数据集，评估了YOLOv5、YOLOv8、YOLO-NAS、RetinaNet和Faster-RCNN等流行目标检测模型在雨、噪声和运动模糊三种恶劣条件下的性能，结果显示所有模型在恶劣天气条件下性能显著下降，其中YOLOv5表现最佳；为提高模型鲁棒性，研究团队提出了一种数据增强训练策略，在原始训练数据中融入33%噪声图像、33%运动模糊图像和34%雨天图像，使模型在恶劣条件下的性能大幅提升，YOLOv5在雨天的检测准确率提高了42.49%，YOLOv8提高了45.05%。

　　该研究首次系统评估了恶劣天气对无人机检测的影响，为提高无人机检测系统在复杂环境中的可靠性提供了有效解决方案，对保障公共安全、防范无人机滥用具有重要意义。相关研究以Impact of Adverse Weather and Image Distortions on Vision-Based UAV Detection: A Performance Evaluation of Deep Learning Models为题发表在drones期刊上。

（本篇翻译：马杰）

附件：

版权信息：Copyright@ 中国气象局图书馆（气象科技史研究中心）技术支持：北京中科聚网信息技术有限公司

地址：北京市海淀区中关村南大街46号联系电话：010-68406306 68409247 Email：cmalibrary@126.com

京ICP备15008089号-4

图书馆公众号