一种基于改进YOLOX的无人机对水柱目标检测方法技术

本发明专利技术公开了一种基于改进YOLO X的无人机对水柱目标检测方法，包括以下检测步骤：建立水柱目标专有数据集；标注水柱图像；改进YOLO X网络结构；定义损失函数；训练水柱目标专有数据集；运用改进的YOLO X网络模型对水柱目标进行检测。本发明专利技术可应用于评估海上实弹射击训练中武器系统的射击效果；其减小模型的计算量、降低模型资源占用量同时保持较高的检测精度，满足无人机平台对于水柱目标检测模型的需求。需求。需求。

A water column target detection method for UAV Based on improved yolox

【技术实现步骤摘要】
一种基于改进YOLO X的无人机对水柱目标检测方法


[0001]本专利技术涉及一种目标检测方法，尤其涉及一种基于改进YOLO X的无人机对水柱目标检测方法。

技术介绍

[0002]中大口径舰炮担负打击水面舰艇、岸/岛目标任务，在维护海洋权益方面发挥重要作用。为评估舰炮武器系统的射击效果，主要通过观测是否命中或弹丸落水形成的水柱与靶船之间的偏差(脱靶量)来实现。因此，对弹着点形成的水柱进行准确而快速检测是完成此评估的关键。
[0003]目前，普遍采用人工方式进行舰炮射击训练的脱靶量检测，该方法存在精度不高、主观性大、效率低等不足，迫切需要引入新的高精度的自动检靶系统。无人机具有拍摄位置高、视场广、受障碍遮挡几率小和观测位置灵活的优点，可应用于海上舰炮射击检靶任务中。由于海洋环境的复杂性，基于无人机航拍的海上弹着点水柱目标检测存在水柱目标生成时间较短、海浪浪花等背景特征形成干扰等问题，因此要求水柱类目标检测算法具有较高的准确性和实时性。
[0004]为了解决弹着点水柱目标快速而准确检测问题，基于卷积神经网络的目标检测是目前有效的解决方法之一。现有的基于卷积神经网络的目标检测方法虽然在算法稳定性上得到提升，但由于模型参数过多，对硬件计算资源要求较高，同时较大的模型体积也无法适用于硬件资源相对受限的无人机平台。因此，在保持较高检测精度的同时，减小模型的计算量、降低模型资源占用量，满足无人机平台对于目标检测模型的需求是目前亟需解决的技术问题。

技术实现思路

[0005]为了解决上述技术所存在的不足之处，本专利技术提供了一种基于改进YOLO X的无人机对水柱目标检测方法。
[0006]为了解决以上技术问题，本专利技术采用的技术方案是：一种基于改进YOLO X的无人机对水柱目标检测方法，包括以下检测步骤：
[0007]S1：建立水柱目标专有数据集；
[0008]S2：标注水柱图像；
[0009]S3：改进YOLO X网络结构；
[0010]S4：定义损失函数；
[0011]S5：训练水柱目标专有数据集；
[0012]S6：运用改进的YOLO X网络模型对水柱目标进行检测。
[0013]进一步地，步骤S1中，建立水柱目标专有数据集的步骤如下：
[0014]S1
‑
1、对舰炮射击过程中炮弹落水点处的水柱进行图像采集，将采集到的水柱图像按照Pascal VOC数据集的格式将图片命名，创建名为JPEG Images的文件夹，将整个数据
集图像存放于JPEG Images文件夹中；
[0015]S1
‑
2、将水柱图像分成训练集、测试集、验证集和训练验证集；
[0016]S1
‑
3、创建名为Image Sets的文件夹，在Image Sets文件夹下创建名为test、train、trainval、val四个.txt文件，将水柱图像训练集、测试集、验证集和训练验证集的编号分别写入train.txt、test.txt、val.txt、trainval.txt文件中。
[0017]进一步地，训练集、测试集、验证集分别占70％、20％、10％，训练验证集为训练集加上验证集，占80％。
[0018]进一步地，步骤S2中，对水柱图像进行标注的步骤如下：
[0019]S2
‑
1、在步骤S1
‑
1采集到的水柱图像中，运用图像标注工具LabelImg对图像中的水柱目标进行标注，标注出水柱的位置及名称；
[0020]S2
‑
2、创建名为Annotations的文件夹，将标记图像生成XML文件存放于Annotations文件夹中。
[0021]进一步地，步骤S3中，对YOLO X网络结构进行改进的具体步骤如下：
[0022]S3
‑
1、利用Mobilenet v3中的三个有效特征层替换原来YOLO X主干网络CSPDarknet中对应的三个有效特征层；
[0023]S3
‑
2、使用深度可分离卷积代替网络中用到的普通卷积。
[0024]进一步地，步骤S4中，损失函数用来评估卷积神经网络中预测值与真实值的偏离程度，训练过程中采用Focal EIOU Loss损失函数：
[0025]L
Focal
‑
EIOU
＝IOU
γ
L
EIOU
[0026][0027]其中，L
Focal
‑
EIOU
表示表示Focal
‑
EIOU的损失函数，IOU表示交并比；γ为控制异常值抑制程度的参数；L
EIOU
表示EIOU的损失函数，L
IOU
表示预测框和真实框的重叠损失，L
dis
表示预测框和真实框的中心距离损失，L
asp
表示预测框和真实框的宽高损失；b表示预测框的中心点，b
gt
表示真实框的中心点，ρ(.)表示欧式距离，c表示覆盖预测框和真实框的最小外接框的对角线距离，w表示预测框的宽度，w
gt
表示真实框的宽度，h表示预测框的高度，h
gt
表示真实框的高度；C
w
和C
h
是覆盖预测框和真实框的最小外接框的宽度和高度。
[0028]进一步地，步骤S5中，对水柱目标专有数据集进行训练的步骤如下：
[0029]S5
‑
2、模型的训练分为冻结阶段和解冻阶段：在冻结阶段，模型的主干被冻结了，特征提取网络不发生改变，占用的显存较小，仅对网络进行微调；解冻阶段训，模型的主干不被冻结，特征提取网络会发生改变，占用的显存较大，网络所有的参数都会发生改变；
[0030]S5
‑
3、训练多个世代后，选取train Loss最小的权值文件作改进YOLO X网络结构的检测权值文件，存放于log文件夹中。
[0031]进一步地，模型训练时先对改进后的YOLO X网络结构的特定参数进行设置；将设置好参数后的改进YOLO X网络结构放入配置好环境的计算机中，运用train.txt和val.txt中编号对应的标记好的图片进行训练。
[0032]进一步地，步骤S6中，运用改进YOLO X网络模型对水柱目标进行检测的步骤为：针
对不同光照强度、不同远近距离和不同水柱数量的条件，准备好需要检测的水柱图像，存放于img文件夹中，在python环境下进行参数的设置；通过命令行中输入训练命令，提取img文件夹中的图像以及S5
‑
3中log文件夹中的权值文件，得到水柱目标的检测结果并进行对比分析。
[0033]本专利技术公开了一种基于改进YOLO X的无人机对水柱目标检测方法，可应用于评估海上实弹射击训练中武器系统的射击效果；其减小模型的计算量、降低模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLO X的无人机对水柱目标检测方法，其特征在于：包括以下检测步骤：S1：建立水柱目标专有数据集；S2：标注水柱图像；S3：改进YOLO X网络结构；S4：定义损失函数；S5：训练水柱目标专有数据集；S6：运用改进的YOLO X网络模型对水柱目标进行检测。2.根据权利要求1所述的基于改进YOLO X的无人机对水柱目标检测方法，其特征在于：步骤S1中，建立水柱目标专有数据集的步骤如下：S1
‑
1、对舰炮射击过程中炮弹落水点处的水柱进行图像采集，将采集到的水柱图像按照Pascal VOC数据集的格式将图片命名，创建名为JPEG Images的文件夹，将整个数据集图像存放于JPEG Images文件夹中；S1
‑
2、将水柱图像分成训练集、测试集、验证集和训练验证集；S1
‑
3、创建名为Image Sets的文件夹，在Image Sets文件夹下创建名为test、train、trainval、val四个.txt文件，将水柱图像训练集、测试集、验证集和训练验证集的编号分别写入train.txt、test.txt、val.txt、trainval.txt文件中。3.根据权利要求2所述的基于改进YOLO X的无人机对水柱目标检测方法，其特征在于：所述训练集、测试集、验证集分别占70％、20％、10％，训练验证集为训练集加上验证集，占80％。4.根据权利要求2所述的基于改进YOLO X的无人机对水柱目标检测方法，其特征在于：步骤S2中，对水柱图像进行标注的步骤如下：S2
‑
1、在步骤S1
‑
1采集到的水柱图像中，运用图像标注工具LabelImg对图像中的水柱目标进行标注，标注出水柱的位置及名称；S2
‑
2、创建名为Annotations的文件夹，将标记图像生成XML文件存放于Annotations文件夹中。5.根据权利要求4所述的基于改进YOLO X的无人机对水柱目标检测方法，其特征在于：步骤S3中，对YOLO X网络结构进行改进的具体步骤如下：S3
‑
1、利用Mobilenet v3中的三个有效特征层替换原来YOLO X主干网络CSPDarknet中对应的三个有效特征层；S3
‑
2、使用深度可分离卷积代替网络中用到的普通卷积。6.根据权利要求5所述的基于改进YOLO X的无人机对水柱目标检测方法，其特征在于：步骤S4中，损失函数用来评估卷积神经网络中预测值与真实值的偏离程度，训练过程中采用Focal EIOU Loss损失函数：L
Fo...

【专利技术属性】
技术研发人员：王智，石章松，吴鹏飞，孙世岩，吴中红，童继进，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：