无人机入侵防御新突破：基于尺度重构增强YOLOv8的AirSentinel-YFSNet模型中文标题

时间：2025年9月21日

来源：Results in Engineering

编辑推荐：

为解决无人机入侵检测中小目标特征丢失、复杂背景干扰及实时性不足等问题，研究人员开展基于YOLOv8n架构的轻量化检测模型研究，通过集成SlimNeck和FRMHead模块，在AOD-4数据集上实现精度0.919、帧率133 FPS的高性能检测，显著提升无人机防御系统的准确性与实时性。

随着民用无人机成本的持续降低和功能的不断增强，其在公共区域的广泛应用带来了显著的安全隐患。例如，2018年伦敦盖特威克机场因疑似无人机入侵导致关闭36小时，造成超过760架航班受影响和2000万英镑的直接经济损失。近年来，美国联邦航空管理局（FAA）报告显示，2023年飞行员和空管人员目击无人机的报告数量较五年前翻倍，欧盟航空安全局的统计也表明无人机相关飞行中断事件在三年内增长超过40%。这些事件凸显了无人机入侵对航空和公共安全的直接威胁，以及开发高精度、实时且鲁棒的无人机入侵检测与防御系统的迫切需求。

无人机检测属于小目标检测的特殊领域，面临目标像素极小、对比度低和背景复杂等挑战。现有研究主要集中在多尺度特征融合、轻量化检测网络和多传感器融合等方面，但仍存在细粒度特征在深度下采样后丢失、低对比度或杂乱场景下鲁棒性下降以及高计算成本限制实时部署等问题。针对这些瓶颈，本研究提出了名为AirSentinel-YFSNet的飞行目标检测模型，旨在通过改进YOLOv8n架构，集成SlimNeck和FRMHead两个创新模块，提升检测精度和实时性能。

为验证模型性能，研究采用公开的AOD-4（Airborne Object Detection version 4）数据集，包含22,516张图像，覆盖飞机、直升机、无人机和鸟类四类目标，涵盖多种场景（晴天、云层、城市、山区及轻度雨雪）和光照条件。数据增强策略包括色彩抖动、随机旋转和水平翻转，数据集按70%:20%:10%比例划分为训练集、验证集和测试集。实验环境配置Intel i7处理器、NVIDIA RTX 4060 GPU，使用SGD优化器，批量大小为16，图像尺寸为1024×1024像素，训练200个epoch。评估指标包括精度（Precision）、召回率（Recall）、平均精度（mAP₅₀和mAP_50-95）、每秒帧数（FPS）和每图像高置信度预测数（PPI）等。

关键技术方法包括：

1.
SlimNeck模块：结合VoVNet架构的“一次性聚合”和轻量GSConv卷积结构，减少 Neck 部分计算负载约30%，帧率从101 FPS提升至102 FPS。
2.
FRMHead模块：采用多分支感受野融合和基于分布焦点损失（DFL）的多尺度动态加权策略，提升高交并比（IoU）阈值下的定位精度和高置信度预测数量。
3.
综合实验验证：使用AOD-4多场景数据集，通过重复保持验证和5折交叉验证确保结果鲁棒性。

4.1. 消融实验

通过对比基线YOLOv8n、单独SlimNeck和FRMHead模块以及完整模型的表现，发现SlimNeck在保持精度同时提升帧率，FRMHead提高高置信度预测但牺牲部分召回率。完整模型AirSentinel-YFSNet精度达0.919（较基线提升0.024），帧率133 FPS（提升33%），召回率略降至0.768，实现了精度与速度的优化平衡。

4.2. 关键参数敏感性分析

对SlimNeck通道修剪率、FRMHead动态权重因子和置信度阈值等参数进行敏感性测试。结果表明，30%通道修剪、0.7动态权重和0.70置信度阈值时，模型在精度、速度和误报控制间达到最优权衡，验证了参数设置的合理性。

4.3. 对比实验

与ContextGuided、MobileNetV1、YOLOv8n等经典模型对比，AirSentinel-YFSNet在精度（0.919）和帧率（133 FPS）上均显著领先，尽管召回率略低，但PPI降至1.2，表明模型更专注于高置信度预测，减少误报。各类别检测中，无人机类别精度达0.820，凸显其对小目标的优异检测能力。

4.4. 模型性能对比

可视化检测结果显示，AirSentinel-YFSNet在极端小目标（如远距离无人机）和复杂背景（如遮挡、运动模糊）下仍保持高置信度（≥0.68）和紧密度边界框，优于其他模型。其跨类别一致性也更强，验证了在实际防御场景中的适用性。

4.5. 极端天气条件与性能权衡讨论

研究指出AOD-4数据集缺乏极端天气（如暴雨、浓雾、夜间低光）数据，限制了模型在恶劣环境下的泛化能力验证。性能权衡策略明确优先精度和速度，通过降低召回率控制误报，符合实际防御需求。未来需通过多模态数据融合和在线学习提升环境适应性。

研究结论表明，AirSentinel-YFSNet作为一款轻量级检测模型，在无人机入侵防御场景中实现了精度、速度和误报控制的良好平衡。其创新性模块设计和综合实验验证为无人机监测技术提供了可靠解决方案。讨论部分强调当前模型在超参数鲁棒性、动态场景适应性等方面的不足，并提出通过自适应焦点损失、多模态融合和持续学习技术进一步优化模型，为未来在更广泛复杂环境中的应用奠定基础。