航拍图像的目标检测与识别是一项非常重要的任务,广泛应用在地图制图,灾害预测与治理,农业检测,城市的规划和建设等领域。随着深度学习技术的快速发展,基于深度神经网络的航拍图像目标检测算法取得了远超传统目标检测算法的效果。然而,这些深度学习算法应用到实际的航拍检测系统时,往往面临计算开销过大的问题,要达到实时检测需要使用多块高性能的GPU,巨大的算力要求限制了算法在航拍图像实时检测任务上的应用。因此,本文针对航拍图像的目标检测算法计算量大,实时性差的问题,在算法和硬件层面做了两方面的改进:1、在算法层面,选择目前为止速度和精度非常均衡的YOLOv4算法作为基础算法,针对具体的航拍图像的目标检测任务,进行了改进和优化。我们首先使用K-means++聚类算法重新设计锚框初始值,提高航拍图像目标检测任务的检测精度。同时我们还对YOLOv4网络中的SPP模块和激活函数进行改进,使其更适合部署在FPGA平台上。这些改进措施在精度下降非常小的情况下,进一步削减了计算量,达到了更快的运行速度。2、在硬件实现层面,选赛灵思的FPGA作为硬件实现器件,使用赛灵思的Vitis AI开发平台和DPU IP核,构建出一款专用的神经网络加速器。借助一系列开源的工具链,对模型进行了量化、编译生成了DPU专用指令,并部署到ZCU102平台。实验结果表明,本文设计的算法和实现的技术在ZCU102平台上部署后,主模块和DSP时钟分别可达到350MHz和650MHz的运行速度,每秒可实现约2.7T的计算量。对于输入为416×416的图像每秒钟可处理约为33帧,功耗为22W左右。与以往的研究成果相比,具有较好的能效比。在目标检测精度方面,基于DOTA数据集的m AP达到了58.7%,能够较好的符合实际应用需求。