轻量化红外弱小目标实时检测方法技术

本发明专利技术涉及图像识别技术领域，具体的说是轻量化红外弱小目标实时检测方法，检测方法包括以下步骤：步骤一、构建红外弱小目标数据集：获取红外弱小目标后对其进行选取以及标注，步骤二、构建基于Mobilenetv3

【技术实现步骤摘要】
轻量化红外弱小目标实时检测方法


[0001]本专利技术涉及一种目标实时检测方法，具体为轻量化红外弱小目标实时检测方法，属于图像识别


技术介绍

[0002]红外弱小目标检测是目标检测领域的研究难点和重点，在国防和军事指挥上起着重要的作用。传统的红外弱小目标检测方法主要有：针对目标特性对感兴趣区域搜索的方式、利用红外成像物理特性的阈值分割法和背景预测建模法等，基于深度学习方法的红外弱小目标检测算法主要有：基于目标检测方法的yolo系列和基于语义分割方法的。但是这些算法存在着检测效率低，难以应对复杂多变的场景，亦或是网络模型巨大，难以部署于资源受限的边缘设备上。
[0003]近年来，随着深度学习的发展，基于深度学习的目标检测算法取得了长足的发展。深度学习通过网络层的非线性变化，通过反向传播算法提取图像中的抽象特征，从而准确识别目标。然而由于红外图像成像分辨率低、对比度低以及弱小目标缺少相应的纹理等问题，导致基于公共数据集而设计的目标检测算法并不适用于红外弱小目标检测。过去几年，为了提升网络的检测性能，网络的深度和宽度在不断增加，使得网络的计算量越来越大，训练一个网络甚至要使用数百台服务器训练数天以上。网络的训练和部署变得越来越困难，因此针对特定的应用场景设计专用网络显得尤为重要。
[0004]随着深度学习方法的迅速发展，目标检测领域取得了突破性发展，为红外弱小目标检测研究带来了新的方法和思路。申请公布号为CN114549959A，名称为“基于目标检测模型的红外弱小目标实时检测方法和系统”的专利申请，公开了一种基于yolov4
‑
tiny实现的红外小目标检测方法，解决了现有红外弱小目标检测方法中存在检测准确率低难以实时检测，但方法对于部署在资源受限的边缘设备上仍有一定的困难。
[0005]目前大多数网络仅仅关注网络的性能，不断提高网络的复杂程度来提高红外弱小目标的检测效果，然而由于红外弱小目标占有像素点少、缺乏纹理特征等，过深和过于复杂的网络反而会使红外弱小目标的特征丢失，因此针对红外弱小目标的特点设计专用轻量化网络，使其能够在资源受限的设备上实时运行具有重要意义。
[0006]有鉴于此特提出本专利技术来帮助解决上述问题。

技术实现思路

[0007]本专利技术的目的就在于为了解决上述问题而提供轻量化红外弱小目标实时检测方法，提高了复杂场景中红外弱小目标的检测能力，而且能够使用更少的计算资源。
[0008]本专利技术通过以下技术方案来实现上述目的，轻量化红外弱小目标实时检测方法，所述检测方法包括以下步骤：
[0009]步骤一、构建红外弱小目标数据集：获取红外弱小目标后对其进行选取以及标注；
[0010]步骤二、构建基于Mobilenetv3
‑
Unet的红外弱小目标检测网络；
[0011]步骤三、利用步骤一中的红外弱小目标数据集训练Mobilenetv3
‑
Unet模型，得到训练后的Mobilenetv3
‑
Unet模型；
[0012]步骤四、利用训练好的Mobilenetv3
‑
Unet模型对输入图片进行红外弱小目标检测。
[0013]进一步的，所述步骤二中所述的Mobilenetv3
‑
Unet模型包括特征提取主干网络和特征聚合网络，其中所述特征提取主干网络为优化后的Mobilenetv3模型，所述的特征提取主干网络提取输入图像的特征，输出至所述特征聚合网络进行特征加强，所述特征聚合网络输出检测结果。
[0014]进一步的，所述的优化后的Mobilenetv3模型为Mobilenetv3
‑
small的特征提取部分，并优化下采样的次数，以及调整卷积核的尺寸，以应对红外弱小目标的检测。
[0015]进一步的，所述的特征提取主干网络模型，具体为：
[0016]所述输入图像经过卷积层后，得到第一提取特征，所述第一提取特征经过block1模块后，得到第二提取特征，所述第二提取特征经过block2模块后，得到第三提取特征，所述第三提取特征经过block3模块后，得到第四提取特征，所述第四提取特征经过block4模块得到第五提取特征。
[0017]进一步的，所述的block模块是由一系列bneck模块堆叠而成，所述bneck模块主要实现了通道可分离卷积、SE通道注意力机制和残差连接。
[0018]进一步的，所述调整卷积核的尺寸具体为：
[0019]convHead经过卷积核大小为3x3，步长为1的卷积层、bn层和hswih激活函数，block1由1个bneck模块构成，卷积核大小为3x3，步长为2；block2由2个bneck模块构成，卷积核大小分别为3x3、3x3，步长分别为2、1；block3由5个bneck模块构成，卷积核大小分别为5x5、5x5、5x5、5x5、5x5，步长分别为2、1、1、1、1；block4由3个bneck模块构成，卷积核大小分别为7x7、7x7、7x7，步长为2、1、1。
[0020]进一步的，所述bneck模块是一个可控参数的模块，可以控制的参数包括卷积核大小、激活函数的类型以及选择是否使用注意力机制，对对特征图采取全局平均池化，得到1x1xC的结果，特征图中的每个通道都相当于描述了一部分特征，操作后相当于是全局的，接下来为了得到每个特征图的重要程度评分，还需要再来两个全连接，最终整个结果也是1x1xC。
[0021]进一步的，所述特征聚合网络由四个特征聚合模块构成，具体为：
[0022]将所述特征提取主干网络模型的第四提取特征与第五提取特征作为FA4的输入，将第三提取特征与FA4输出作为FA3的输入，将第二提取特征与FA3输出作为FA2的输入，将第一提取特征与FA2的输出作为FA1的输出。
[0023]进一步的，所述特征聚合模块的输入由浅层特征、深层特征组成。浅层特征指的是骨干网各阶段的输出，而深层特征指的是最后一个特征聚合模块的输出。我们提出了一个简单但有效的聚合模块，该模块使用如图2所示的注意机制自发地调整两个个输入的权重。
[0024]进一步的，所述步骤三中采用BCE损失函数和DICE损失函数进行训练，BCE损失函数为：
[0025][0026]其中，y为基础真实值，y为预测值。
[0027]其中DICE的计算公式为：
[0028][0029]其中X真实结果，Y代表预测结果。
[0030]使用训练好的Mobilenetv3
‑
Unet模型对红外弱小目标进行检测，得到检测结果:
[0031]正样本数目N
TP
、错误的正样本数目N
FP
以及错误的负样本的个数N
FN
；
[0032]1)正确率(Accuracy)：表示正负样本被正确分类的比例
[0033][0034]2)精确率(Precision)：表示原本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.轻量化红外弱小目标实时检测方法，其特征在于：所述检测方法包括以下步骤：步骤一、构建红外弱小目标数据集：获取红外弱小目标后对其进行选取以及标注；步骤二、构建基于Mobilenetv3
‑
Unet的红外弱小目标检测网络；步骤三、利用步骤一中的红外弱小目标数据集训练Mobilenetv3
‑
Unet模型，得到训练后的Mobilenetv3
‑
Unet模型；步骤四、利用训练好的Mobilenetv3
‑
Unet模型对输入图片进行红外弱小目标检测。2.根据权利要求1所述的轻量化红外弱小目标实时检测方法，其特征在于：所述步骤二中所述的Mobilenetv3
‑
Unet模型包括特征提取主干网络和特征聚合网络，其中所述特征提取主干网络为优化后的Mobilenetv3模型，所述的特征提取主干网络提取输入图像的特征，输出至所述特征聚合网络进行特征加强，所述特征聚合网络输出检测结果。3.根据权利要求2所述的轻量化红外弱小目标实时检测方法，其特征在于：所述的优化后的Mobilenetv3模型为Mobilenetv3
‑
small的特征提取部分，并优化下采样的次数，以及调整卷积核的尺寸，以应对红外弱小目标的检测。4.根据权利要求2所述的轻量化红外弱小目标实时检测方法，其特征在于：所述的特征提取主干网络模型，具体为：所述输入图像经过卷积层后，得到第一提取特征，所述第一提取特征经过block1模块后，得到第二提取特征，所述第二提取特征经过block2模块后，得到第三提取特征，所述第三提取特征经过block3模块后，得到第四提取特征，所述第四提取特征经过block4模块得到第五提取特征。5.根据权利要求4所述的轻量化红外弱小目标实时检测方法，其特征在于：所述的block模块是由一系列bneck模块堆叠而成，所述bneck模块主要实现了通道可分离卷积、SE通道注意力机制和残差连接。6.根据权利要求3所述的轻量化红外弱小目标实时检测方法，其特征在于：所述调整卷积核的尺寸具体为：convHead经过卷积核大小为3x3，步长为1的卷积层、bn层和hswih激活函数，block1由1个bneck模块构成，卷积核大小为3x3，步长为2；block2由2个bneck模块构成，卷积核大小分别为3x3、3x3，步长分...

【专利技术属性】
技术研发人员：刘晓涛，魏子翔，刘静，
申请(专利权)人：西安电子科技大学广州研究院，
类型：发明
国别省市：