无人机是二十一世纪一个伟大的发明,伴随着科技的发展,无人机尤其是民用无人机发展迅速,并广泛的应用于各个领域。无人机的应用大幅度降低了高空作业的成本,使得很多以前人类不方便完成的任务,可以轻松地完成。在无人机技术给人民生活带来方便的同时,也给国家和社会带来了很多潜在的威胁。无人机体积小,飞行速度快,在监视和拍摄领域有着独特的优势,但是这却给无人机的监管带来了很大的问题。传统的无人机检测算法成本高、精度低,不适合大范围地使用,本论文采用基于深度学习的算法进行无人机检测。基于深度学习的无人机检测可以克服传统算法的缺点,提高对无人机的检测能力。目前国内基于深度学习的无人机检测技术还处于起步阶段,因此本文在深入分析基于深度学习的目标检测算法和实例分割算法的基础上,针对无人机体积小,飞行速度快特点开展了以下工作:(1)针对无人机数据集方面,深度学习是基于数据的解决方案,但是常用的数据集中并不包含无人机。本论文考虑军用无人机和民用无人机在外形上差距较大,选择民用多旋翼无人机图片制作数据集。考虑到多旋翼无人机在非静态时旋翼的边缘难以拍摄清楚,本论文仅对具有清晰边缘的无人机旋翼进行标注。本论文采用Labelme软件对无人机进行标注,制作一个包含遮罩,可进行实例分割的数据集。并将数据集转换为COCO格式,以方便进行实例分割的训练,转化为VOC数据集格式,以方便完成目标检测任务。(2)针对无人机这类体积小飞行速度快的检测目标,本文提出了一种基于QCA(Quotient of Circumcircle Area)损失函数的YOLOv3(You Only Look Once version 3)算法,并进行训练从而适应对无人机的检测。无人机飞行速度快,在视频画面中停留的时间较短,常用的目标检测算法计算开销大,难以完成此任务,需使用实时的目标检测算法。本文以YOLOv3算法为基础,分析在卷积神经网络训练过程中,由于损失函数不合适从而造成YOLOv3目标检测算法的预测框定位不准确的问题,提出了QCA损失函数,提高预测框检测的准确率,进而解决对较小目标检测过程中YOLOv3算法检测效果较差的问题。(3)本文尝试采用实例分割算法在完成无人机检测的同时,完成无人机的语义分割。但是通用的实例分割算法对于无人机这类体积小的目标容易出现漏检等问题,本文选用YOLACT(You Only Look At CoefficienTs)算法为基础,融合用于姿态检测的具有高分辨率表征的主干网络HRNet(High-Resolution Representation Net),提出了HR-YOLACT算法。HR-YOLACT算法考虑到网络的计算开销,使用HRNet-W40作为网络的主干网络进行图像的特征提取,使得实例分割算法在特征提取阶段可以获取更多的细节特征。通过降低特征金字塔的输入层以获取更多的底层信息,通过对算法检测头的修改,提高算法的目标检测能力,最终提高对于无人机这类目标的检测能力。HR-YOLACT算法通过以上操作在不大幅增加计算开销的基础上,提高了算法的检测能力。