随着机器视觉的发展,图像的目标检测技术在人们生活中得到了广泛应用。同时,为满足应用需求,深度学习算法也取得了重大进步,提出了目标检测、图像融合、图像分割等多种模型。近年来,无人机的出现为机器视觉提供了新的视角,由于不受设备机位的限制,可灵活应用于多种场景,因此机器视觉与无人机技术相结合将会在安防监控、军事侦察、边防监控等方面提供诸多便利。但是,无人机的图像采集、处理和传输对实时性要求高,同时受到载荷限制,因此降低算法复杂度,提高图像处理速度、降低系统体积和质量是亟待解决的问题。本文对比分析国内外目标检测算法,考虑到目标检测算法要满足实时性并能在嵌入式设备上实现,选取并改进了one-stage模型——YOLOv4算法,同时提出目标检测算法的网络层精简方案;利用新型图像处理专用芯片构建图像采集和压缩传输系统,在保证准确率的前提下,提高图像处理和传输速度并实现实时检测。针对航载图像中目标物体小、图像分辨率大且要求检测速度高的问题,本文在YOLOv4基础上提出了三点改进策略。首先,对航拍图像的数据集采用Canopy算法和K-Means++聚类算法生成Anchor Box,提高了网络的稳定性与检测速度;其次,为YOLOv4算法中的置信度交叉熵损失函数及类别概率交叉熵损失函数增加惩罚项,提高了对小目标的检测精度;最后,对网络中不重要的通道或网络层进行剪枝,在保证识别精度的同时降低了算法计算复杂度、提高了检测速度。针对航拍图像目标检测中航拍图像采集速度高,目标检测和图像传输压力大的问题,本文以海思的人工智能芯片HI3559A为核心,再利用海思提供的Smart Vision Platform和Media Process Platform软件平台,分别完成了硬件模块电路设计以及图像采集、目标检测和压缩编码的软件设计,实现了航拍图像的高速处理和压缩传输,相较于传统方法,具有体积小、易搭载、实时性好等特点。