本發(fā)明涉及遙感圖像識(shí)別，尤其涉及一種基于yolov8的光學(xué)遙感圖像艦船檢測(cè)方法及裝置。

背景技術(shù)：

1、遙感技術(shù)是一種通過遠(yuǎn)距離觀測(cè)和測(cè)量的科技手段，利用各種傳感器如光學(xué)、微波和紅外傳感器，通過衛(wèi)星、飛機(jī)或無人機(jī)等載體獲取地球表面、大氣和水體等目標(biāo)的信息，并將其轉(zhuǎn)化為可識(shí)別的遙感圖像或數(shù)據(jù)。遙感圖像包括遙感光學(xué)艦船圖像，利用遙感光學(xué)艦船圖像進(jìn)行艦船目標(biāo)檢測(cè)，在海洋遙感領(lǐng)域得到高度重視。通過艦船目標(biāo)檢測(cè)可以及時(shí)有效地發(fā)現(xiàn)和提取目標(biāo)艦船信息。

2、目前，基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感艦船目標(biāo)檢測(cè)，需收集艦船和非艦船的遙感圖像數(shù)據(jù)，并進(jìn)行標(biāo)注；選擇卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并在訓(xùn)練集上進(jìn)行訓(xùn)練，監(jiān)控模型性能以防止過擬合；在模型評(píng)估階段，利用測(cè)試集評(píng)估模型性能，調(diào)整超參數(shù)以優(yōu)化性能；最后，將訓(xùn)練好的模型部署到實(shí)際應(yīng)用環(huán)境中，并根據(jù)需要調(diào)整閾值和后處理得到艦船圖像。然而，基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感艦船目標(biāo)檢測(cè)，在檢測(cè)艦船目標(biāo)時(shí)，由于艦船目標(biāo)的長(zhǎng)寬尺度差異巨大，近岸艦船相對(duì)密集，并且艦船目標(biāo)相對(duì)于背景十分渺小，使得檢測(cè)艦船目標(biāo)的性能大大降低，導(dǎo)致對(duì)微小密集艦船目標(biāo)的檢測(cè)精度較低。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例的目的是提供一種基于yolov8的艦船目標(biāo)檢測(cè)方法及裝置，解決對(duì)微小密集艦船目標(biāo)的檢測(cè)精度較低的問題。

2、為解決上述技術(shù)問題，本發(fā)明實(shí)施例提供如下技術(shù)方案：

3、本發(fā)明第一方面提供一種基于yolov8的光學(xué)遙感圖像艦船檢測(cè)方法，方法包括：

4、構(gòu)建智能艦船檢測(cè)模型，智能艦船檢測(cè)模型依次包括yolov8的backbone模塊、neck模塊，backbone模塊包括大分離卷積核模塊、包含擴(kuò)張殘差子模塊的通道到像素模塊，neck模塊包括無參數(shù)注意力模塊；

5、對(duì)第一數(shù)據(jù)集和第二數(shù)據(jù)集分別進(jìn)行預(yù)處理，得到對(duì)應(yīng)的具有標(biāo)注的多個(gè)第一艦船圖像和具有標(biāo)注的多個(gè)第二艦船圖像，標(biāo)注的目標(biāo)格式適用于智能艦船檢測(cè)模型；

6、將多個(gè)第一艦船圖像和多個(gè)第二艦船圖像，依次輸入智能艦船檢測(cè)模型中，對(duì)智能艦船檢測(cè)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的智能艦船檢測(cè)模型；

7、將預(yù)測(cè)圖像輸入訓(xùn)練好的智能艦船檢測(cè)模型中，檢測(cè)出預(yù)測(cè)艦船信息；

8、對(duì)預(yù)測(cè)艦船信息進(jìn)行后處理，得到具有標(biāo)注的檢測(cè)圖像。

9、本申請(qǐng)第二方面提供一種基于yolov8的光學(xué)遙感圖像艦船檢測(cè)裝置，裝置包括：

10、構(gòu)建模塊，用于構(gòu)建智能艦船檢測(cè)模型，智能艦船檢測(cè)模型依次包括yolov8的backbone模塊、neck模塊，backbone模塊包括大分離卷積核模塊、包含擴(kuò)張殘差子模塊的通道到像素模塊，neck模塊包括無參數(shù)注意力模塊；

11、預(yù)處理模塊，用于對(duì)第一數(shù)據(jù)集和第二數(shù)據(jù)集分別進(jìn)行預(yù)處理，得到對(duì)應(yīng)的具有標(biāo)注的多個(gè)第一艦船圖像和具有標(biāo)注的多個(gè)第二艦船圖像，標(biāo)注的目標(biāo)格式適用于智能艦船檢測(cè)模型；

12、訓(xùn)練模塊，用于將多個(gè)第一艦船圖像和多個(gè)第二艦船圖像，依次輸入智能艦船檢測(cè)模型中，對(duì)智能艦船檢測(cè)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的智能艦船檢測(cè)模型；

13、檢測(cè)模塊，用于將預(yù)測(cè)圖像輸入訓(xùn)練好的智能艦船檢測(cè)模型中，檢測(cè)出預(yù)測(cè)艦船信息；

14、后處理模塊，用于對(duì)預(yù)測(cè)艦船信息進(jìn)行后處理，得到具有標(biāo)注的檢測(cè)圖像。

15、相較于現(xiàn)有技術(shù)，本發(fā)明提供的基于yolov8的光學(xué)遙感圖像艦船檢測(cè)方法及裝置，構(gòu)建智能艦船檢測(cè)模型，對(duì)第一數(shù)據(jù)集和第二數(shù)據(jù)集分別進(jìn)行預(yù)處理，得到對(duì)應(yīng)的具有標(biāo)注的多個(gè)第一艦船圖像和具有標(biāo)注的多個(gè)第二艦船圖像；將多個(gè)第一艦船圖像和多個(gè)第二艦船圖像，依次輸入智能艦船檢測(cè)模型中，對(duì)智能艦船檢測(cè)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的智能艦船檢測(cè)模型；將預(yù)測(cè)圖像輸入訓(xùn)練好的智能艦船檢測(cè)模型中，檢測(cè)出預(yù)測(cè)艦船信息；對(duì)預(yù)測(cè)艦船信息進(jìn)行后處理，得到具有標(biāo)注的檢測(cè)圖像。這樣，由于智能艦船檢測(cè)模型的backbone模塊包括lskblock、引入dwr子模塊的c2f模塊，可以動(dòng)態(tài)地調(diào)整網(wǎng)絡(luò)的感受野，加強(qiáng)了不同尺度信息提取能力，使得特征圖的特征表示更全面，并引入simam的neck模塊，可以使得對(duì)微小密集艦船目標(biāo)的檢測(cè)精度較高。

技術(shù)特征：

1.一種基于yolov8的光學(xué)遙感圖像艦船檢測(cè)方法，其特征在于，所述艦船目標(biāo)檢測(cè)方法包括：

2.根據(jù)權(quán)利要求1所述的光學(xué)遙感圖像艦船檢測(cè)方法，其特征在于，所述backbone模塊依次包括2個(gè)卷積組模塊、1個(gè)所述通道到像素模塊、1個(gè)所述卷積組模塊、1個(gè)所述通道到像素模塊、1個(gè)所述卷積組模塊、1個(gè)所述通道到像素模塊、1個(gè)所述卷積組模塊、1個(gè)所述通道到像素模塊、1個(gè)所述大分離卷積核模塊、1個(gè)快速空間金字塔池化模塊。

3.根據(jù)權(quán)利要求2所述的光學(xué)遙感圖像艦船檢測(cè)方法，其特征在于，所述通道到像素模塊依次包括1個(gè)所述卷積組模塊、1個(gè)分割層、n個(gè)所述擴(kuò)張殘差子模塊、1個(gè)拼接層和1個(gè)所述卷積組模塊。

4.根據(jù)權(quán)利要求2所述的光學(xué)遙感圖像艦船檢測(cè)方法，其特征在于，所述neck模塊依次包括1個(gè)上采樣層、1個(gè)拼接層、1個(gè)所述通道到像素模塊、1個(gè)所述上采樣層、1個(gè)所述拼接層、1個(gè)所述通道到像素模塊、1個(gè)所述無參數(shù)注意力模塊、1個(gè)卷積組模塊、1個(gè)所述拼接層、1個(gè)所述通道到像素模塊、1個(gè)所述無參數(shù)注意力模塊、1個(gè)所述卷積組模塊、1個(gè)所述拼接層、1個(gè)所述通道到像素模塊、1個(gè)所述無參數(shù)注意力模塊。

5.根據(jù)權(quán)利要求4所述的光學(xué)遙感圖像艦船檢測(cè)方法，其特征在于，所述智能艦船檢測(cè)模型還包括yolov8的head模塊，所述head模塊依次包括1個(gè)卷積組模塊和1個(gè)普通卷積模塊，所述將預(yù)測(cè)圖像輸入所述訓(xùn)練好的智能艦船檢測(cè)模型中，檢測(cè)出預(yù)測(cè)艦船信息，包括：

6.根據(jù)權(quán)利要求5所述的光學(xué)遙感圖像艦船檢測(cè)方法，其特征在于，所述將所述預(yù)測(cè)圖像輸入所述backbone模塊中，輸出第一特征圖、第二特征圖和第三特征圖，包括：

7.根據(jù)權(quán)利要求5所述的光學(xué)遙感圖像艦船檢測(cè)方法，其特征在于，所述將所述第一特征圖、所述第二特征圖和所述第三特征圖輸入所述neck模塊中，輸出第四特征圖、第五特征圖和第六特征圖，包括：

8.根據(jù)權(quán)利要求1所述的光學(xué)遙感圖像艦船檢測(cè)方法，其特征在于，所述對(duì)第一數(shù)據(jù)集和第二數(shù)據(jù)集分別進(jìn)行預(yù)處理，得到對(duì)應(yīng)的具有標(biāo)注的多個(gè)第一艦船圖像和具有標(biāo)注的多個(gè)第二艦船圖像，包括：

9.根據(jù)權(quán)利要求1所述的光學(xué)遙感圖像艦船檢測(cè)方法，其特征在于，所述預(yù)測(cè)艦船信息包括旋轉(zhuǎn)角度、預(yù)設(shè)邊界框、預(yù)設(shè)類別置信度和目標(biāo)置信度，所述對(duì)所述預(yù)測(cè)艦船信息進(jìn)行后處理，得到具有標(biāo)注的檢測(cè)圖像，包括：

10.一種基于yolov8的光學(xué)遙感圖像艦船檢測(cè)裝置，其特征在于，所述光學(xué)遙感圖像艦船檢測(cè)裝置包括：

技術(shù)總結(jié)
本發(fā)明提供基于YOLOv8的光學(xué)遙感圖像艦船檢測(cè)方法及裝置，涉及遙感圖像識(shí)別技術(shù)領(lǐng)域。此方法包括：構(gòu)建智能艦船檢測(cè)模型，對(duì)第一數(shù)據(jù)集和第二數(shù)據(jù)集分別預(yù)處理，得到具有標(biāo)注的第一艦船圖像和第二艦船圖像；將第一艦船圖像和第二艦船圖像依次輸入智能艦船檢測(cè)模型，對(duì)智能艦船檢測(cè)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的智能艦船檢測(cè)模型；將預(yù)測(cè)圖像輸入訓(xùn)練好的智能艦船檢測(cè)模型，檢測(cè)出預(yù)測(cè)艦船信息；對(duì)預(yù)測(cè)艦船信息進(jìn)行后處理，得到具有標(biāo)注的檢測(cè)圖像。智能艦船檢測(cè)模型的Backbone模塊包括LSKblock、引入DWR模塊的C2f模塊，使特征圖的特征表示全面，且引入SimAM的Neck模塊，使對(duì)微小密集艦船目標(biāo)的檢測(cè)精度較高。

技術(shù)研發(fā)人員：侯彪,劉鎮(zhèn)源,曹震,任博,楊志
受保護(hù)的技術(shù)使用者：西安電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/9