Devido aos problemas de grande variação na escala das imagens, tamanho pequeno dos alvos e recursos computacionais embarcados limitados em drones, foi proposta uma rede de detecção de objetos leve aplicada a plataformas de drones. Essa rede utiliza YOLOv5 como modelo base, inicialmente adicionando um ramo de detecção para lidar com a variação de escala; em seguida, propõe um método de métrica para detecção de pequenos alvos baseado em uma distância de Wasserstein normalizada combinada com o IOU tradicional, para resolver o problema de baixa precisão na detecção de pequenos alvos; posteriormente, propõe-se a estrutura de rede leve C3_FN que funde FasterNet e C3, reduzindo o cálculo da rede e tornando-a mais adequada para plataformas de drones. Por fim, o algoritmo é testado em plataformas de simulação e embarcadas utilizando o conjunto de dados de detecção de alvos de drones VisDrone. Os resultados na plataforma de simulação mostram que a rede proposta melhora o indicador mAP_0.5 em 6,6% e o mAP_0.5-0.95 em 4,8% em comparação com a rede base, com um tempo de inferência de apenas 45,9 ms, apresentando melhores efeitos de detecção em comparação com outras redes principais de detecção para drones. Os resultados no dispositivo embarcado NVIDIA Jetson Nano mostram que o algoritmo pode alcançar desempenho de detecção de alta precisão quase em tempo real com recursos limitados de hardware.

drone; detecção de objetos; distância de Wasserstein normalizada; rede leve