(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211339370.9 (22)申请日 2022.10.29 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 张文杰　余航　刘志恒　周绥平　 祁文娟　郭玉茹　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 田文英　王品华 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于YOLO-V网络的检测遥感影像中舰船方 法 (57)摘要 本发明公开了一种基于YOLO ‑V网络的检测 遥感影像中舰船方法， 其实现步骤为： 构建YOLO ‑ V网络中的Input子网络， 构建YOLO ‑V网络的 Backbone子网络， 构建YOL O‑V网络中的Neck子网 络， 构建YOLO ‑V网络中的H ead子网络， 构建YOLO ‑ V网络， 生成训练集和验证集， 训练YOLO ‑V网络， 检测遥感影像中的舰船。 本发明能够较好的解决 检测遥感影像中小型舰船漏检的问题， 提高了检 测舰船的精确度， 本发明检测舰船消耗的时间更 短， 提高了从光学遥感影像中检测舰船的效率， 可用于实时检测光学遥感影 像中的舰船。 权利要求书3页 说明书9页 附图3页 CN 115546650 A 2022.12.30 CN 115546650 A 1.一种基于YOLO ‑V网络的检测遥感影像中舰船方法， 其特征在于， 在Backbone子网络 中加入协同注意力层和混合空间金字塔池化层， 在Neck子网络中引入跨越式连接， Head子 网络中具有大尺度浅层特征图的检测层， 使用EIOU作为边界框损失函数， 通过K ‑means++聚 类确定锚框尺寸； 该 方法的步骤 包括如下： 步骤1， 构建YOLO ‑V网络中的I nput子网络： Input子网络由缩放层和增 强层串联组成， 所述缩放层和增强层分别采用图片 自适应 缩放算法和数据增强算法实现； 数据增强算法使用Mosaic函数和Mixup函数实现； 步骤2， 构建YOLO ‑V网络的Backbo ne子网络： 搭建一个11层的B ackbone子网络， 其结构依次为： Focus层， 第一卷积层， 第一C3层， 第 二卷积层， 第二C3层， 第三卷积层， 第三C3层， 第四卷积层， 混合空间金字塔池化层， 协同注 意力层， 第四C3层； Focus层的输入图像尺寸为640 ×640×3， 输出图像的尺寸设置为320 × 320×32， 卷积核 大小设置为3 ×3， 步长设置为 1； 将第一至第四卷积层的卷积核大小均设置 为3×3， 步长均设置为2， 输入通道数分别设置为32， 64， 128， 256， 输出通道数分别设置为 64， 128， 256， 512； 第一至第四C3层的输出通道数与输入通道数一致， 分别设置为64， 128， 256， 512， 将第一C3层的参数n设置为1， 参数shortcut设置为True， 将第二和第三C3层的参 数n设置为3， 参数shortcut设置为True， 将第四C3层的参数n 设置为1， 参数shortcut设置为 False； 将HS PP层和协同注意力层的输入通道数和输出通道数均设置为512； 步骤3， 构建YOLO ‑V网络中的Neck子网络： 步骤3.1， 搭建一个11层的Neck ‑A子网络， 其结构依次为： 第一卷积层， 第一上采样层， 第一拼接层， 第一C3层， 第二卷积层， 第二上采样层， 第二拼接层， 第二C3层， 第三卷积层， 第 三上采样层， 第三拼接层； 将第一至第三卷积层的卷积核 大小均设置为 1×1， 步长均设置为 1， 输入通道数分别设置为512， 256， 128， 输出通道数分别设置为256， 128， 128； 将第一至第 三采样层的上采样倍数均设置为2， 上采样方式均采用最近填充； 第一至第三拼接层将 输入 的图像沿着通道方向拼接起来； 将第一C3层至第二C3层的输入通道数为512， 256， 输出通道 数设置为25 6， 128， 参数n均设置为1， 参数shor tcut均设置为False； 步骤3.2， 搭建一个10层的Neck ‑B子网络， 其结构依次为： 第一C3层， 第一卷积层， 第一 拼接层， 第二C3层， 第二卷积层， 第二拼接层， 第三C3层， 第三卷积层， 第三拼接层， 第四C3 层； 将第一至第四C3层的参数n均 设置为1， 参数shortcut均 设置为False， 输入通道数分别 为192， 512， 1024， 1024， 输出通道数分别为128， 128， 256， 512； 将第 一至第三卷积层的卷积 核大小均 设置为3， 步长均 设置为2， 输入通道数分别设置为128， 128， 256， 输出通道数分别 设置为128， 25 6， 512； 第一至第三 拼接层将输入的图像沿着通道方向拼接起 来； 步骤3.3， 将Neck ‑A子网络中的第三拼接层与Neck ‑B子网络中的第一C3层级联， 将 Neck‑A子网络中的第二C3层与Neck ‑B子网络中的第一拼接层级 联， 将Neck ‑A子网络的第一 C3层与Neck ‑B子网络中的第二拼接曾级 联， 将Neck ‑A子网络中的第一卷积层与Neck ‑B子网 络中的第三 拼接层级联， 得到Neck子网络； 步骤4， 构建YOLO ‑V网络中的Head子网络： Head子网络由第一检测层， 第二检测层， 第三检测层和第四检测层并联组成， 实现Head 子网络中具有大尺度浅层特征图的检测层； 每个检测层设置检测类别nc＝1； 使用K ‑means+ +算法聚类为每 个检测层设置 3个锚框尺寸；权　利　要　求　书 1/3 页 2 CN 115546650 A 2步骤5， 构建YOLO ‑V网络： 步骤5.1， 将Backbone子网络中 的第一C3层， 第二C3层和第三C3层分别与Neck ‑A子网络 中的第一拼接层， 第二拼接层和第三拼接层级联， 将第四C3层与Neck ‑A子网络中的第一卷 积层串联； 同时再将Backbone子网络中的第二C3层和第三C3层分别与Neck ‑B子网络中的第 一拼接层和第二拼接层级联， 在Neck子网络中引入跨越式连接； 将Neck ‑A子网络中的第三 拼接层与Neck ‑B子网络中的第一C3串联， Neck ‑A子网络中的第一卷积层， 第一C3层和第二 C3层分别与Neck ‑B子网络中的第三拼接层， 第二拼接层和第三拼接层级联； 将Neck ‑B子网 络中的第一C3层， 第二C3层， 第三C3层和第四C3层分别与Head子网络中的第一检测层， 第二 检测层， 第三检测层和第四检测层级联， 完成Backbone子网络， Neck子网络、 Head子网络的 三个子网络的连接； 步骤5.2， 将I nput子网络的增强层与Backbo ne子网络的Focus层串联构成YOLO ‑V网络； 步骤6， 生成训练集和验证集： 步骤6.1， 下载至少25张大尺寸的遥感图像组成样本集， 样本集中的遥感图像包含30米 左右的渔船， 300米左右的军舰等多种尺度的舰船， 具有近海岸， 近港口， 远海等多种海况， 同时也具有云层遮挡， 海杂波干扰等复杂背景； 步骤6.2， 将每张大尺寸的遥感图像裁 剪为512×512个像素的图像； 步骤6.3， 从裁剪后的所有图像 中挑选出包含舰船的图像组成正样本集； 将正样本中的 陆地， 海杂波， 云层复杂背景分割的子图像组成负 样本集； 步骤6.4， 对正、 负样本集中的每张图像依次执行改变亮度、 模糊图像、 旋转 图像、 改变 对比度的操作， 以及对上述操作添加噪声后随机组合的变换； 步骤6.5， 将步骤6.4变换后的所有图像组成包含多尺度舰船， 各种海况和复杂背景的 遥感影像舰船数据集； 步骤6.6， 以9： 1的比例， 将数据集划分为训练集和验证集； 步骤7， 训练YOLO ‑V网络： 步骤7.1， 设置训练参数， batch ‑size设置为16， 每次从训练集中随机且不重复的选择 16张图像输入到网络中， 权重参数文件使用yolov5s.pt； 分类损失函数和置信度损失函数 均使用二分类交叉熵损失函数； 使用EIOU作为 边界框损失函数； 步骤7.2， 将训练集和验证集依次输入到YOLO ‑V网络中， 通过图片自适应缩放算法对输 入Input子网络的图像的尺寸转换为640 ×640×3， 通过增强算法对图像进行增强， 增强算 法使用Mosaic函数和Mixup函数， Mixup函数对输入的两张图像和这两张图像对应的标签按 比例相加 后生成一张新的图像和对应的标签； Mixup参数设置为0.8， 即以0.8的概率决定对 输入的图像是否执 行Mixup增强； 步骤7.3， 利用Adam优化器和随机梯度下降法， 迭代更新YOLO ‑V网络参数的权值， 然后 在验证集上验证训练的效果， 直到分类损失函数、 置信度损失函数和边界框损失函数均收 敛为止， 得到训练好的YOLO ‑V网络； 步骤8， 检测遥感影 像中的舰船： 步骤8.1， 将所有待检测遥感影像批量输入到训练好的YOLO ‑V网络中， 通过图片自适应 缩放算法， 对输入的图像进行缩放操作； 步骤8