随着深度学习的新算法和新结构在各大框架的落地,网络对物体推算速率和精度得到极大提升。无人机经过多年研究,其续航、稳定性等性能都得到提升。无人机视角广能够搭载相机等设备和设计飞行路线获取地面信息,而无人机节点组网可以进一步扩大节点覆盖范围,高效率的完成各种场景下的任务。然而现有的网络框架往往权值数量特别庞大,导致推理开销大和检测速率慢,当前优秀网络不适合在嵌入式上应用。针对上述问题,本文使用分离卷积的方式轻量化YOLO-v4网络,将网络部署到无人机上,最终无人机结合视频传输、物体检测技术实现对地面物体的检测。本文研究了深度学习在地面物体分类和区域定位等领域的现状,对深度学习框架进行对比,采用YOLO-v4作为检测框架。本文研究了框架网络结构,将卷积分离成通道像素间卷积和通道间相同位置像素卷积,将分离卷积替换PAN结构的普通卷积;引入了通道权重和残差结构用MobileNet-v3替换YOLO-v4的骨架,网络权重数量减少到改进前的四分之一,网络推理速率达到改进前的三倍。本文对比了使用MobileNet的三个版本替换骨架后推理速率和精度。本文使用预训练方式调整网络权值,将预训练的主干冻结再针对无人机数据集微调权值。使用聚类方法获取图像的先验区域参数,使用Soft-NMS提高网络在同属性物体密集的场景下推理能力。算法中在图像中同种属性交叠区域较大的预测区块不会直接剔除,会将推理得分会衰减再进行筛选,改善网络在同属性物体密集交叠场景下检测能力。本文实现了无人机拍摄、检测和传输地面物体图像。本文整合无人机、通信设备、传感器等为一个节点,将像素矩阵送入检测网络推理出物体属性和区块。将推理得出的物体区域和属性标记在图像上,压缩后发送到地面节点,接收端将信息整合显示检测并标记的图像。