本发明专利技术公开了一种基于改进YOLOv7的舰船光学图像尾迹检测方法，包括以下步骤：S1、获取舰船尾迹光学遥感图像集；S2、对所述舰船尾迹光学遥感图像集进行预处理和标记，建立训练集和测试集；S3、对改进YOLOv7网络进行建模；S4、利用所述训练集训练所述改进YOLOv7网络直至收敛；S5、将待分析的舰船尾迹光学遥感图像输入至收敛后的改进YOLOv7网络，输出舰船尾迹的检测结果。检测结果。检测结果。
【技术实现步骤摘要】
一种基于改进YOLOv7的舰船光学图像尾迹检测方法
[0001]本专利技术涉及一种基于改进YOLOv7的舰船光学图像尾迹检测方法，属于海洋工程和计算机视觉领域。
技术介绍
[0002]作为航行中的舰船在遥感图像中最为明显的特征，舰船尾迹的空间尺度远大于舰船本身，且隐含着舰船航速等关键信息，因此对舰船尾迹的识别与分析具备重要的经济和军事意义。
[0003]目前，舰船尾迹检测技术主要包括两类——基于微波遥感的尾迹检测技术和基于光学遥感的尾迹检测技术。其中，基于微波遥感的尾迹检测技术的基本理论是：舰船尾迹与毛细重力波之间的相互作用导致海面粗糙度发生变化，从而改变了合成孔径雷达发出的雷达波在海面处的散射特性，进而影响了雷达回波强度。微波遥感虽然有分辨率较低的局限性，但尾迹具备高信噪比，再加之相关技术起步较早，因此现有的尾迹检测算法大部分针对微波遥感图像设计。例如，基于Radon变换的尾迹检测技术，可将微波遥感图像上的舰船尾迹线条转换为Radon变换域上的峰值点或谷值点，其本身及衍生算法以其易实现性和高可用性被广泛应用于微波遥感尾迹检测任务中。相比之下，由于光学遥感图像分辨率高，其中的尾迹纹理特征丰富、信噪比低，基于光学遥感的尾迹检测技术仍有待发展。现有的一些研究希望将Radon变换等经典算法移植到光学遥感图像处理中，但常由于海面杂波等因素的干扰出现误报，进而要求算法在预处理阶段有大量的人工干预，极大地限制了算法的泛化性和鲁棒性。总之，现有算法已经难以满足日益增长的光学图像尾迹检测需求，亟需开发一种性能更优、自动化程度更高的光学图像尾迹检测方法。
[0004]近年来，随着以YOLO系列算法为代表的基于深度学习的目标检测算法的理论更新与技术迭代，其解决复杂背景下特定问题的能力已获得大幅改善。再加之随着各类光学遥感图像公开数据集的涌现，采集到神经网络模型训练所需的大量舰船尾迹光学遥感图像也成为了可能。因此，使用改进的YOLOv7算法对光学图像中的舰船尾迹进行检测已具备充分的理论与现实基础。
技术实现思路
[0005]本专利技术的主要目的即在于提出一种基于改进YOLOv7的舰船光学图像尾迹检测方法，以解决现有的基于光学遥感图像的舰船尾迹检测方案泛化性和鲁棒性较低的问题。
[0006]为达上述目的，本专利技术提出以下技术方案：
[0007]一种基于改进YOLOv7的舰船光学图像尾迹检测方法，包括以下步骤：S1、获取舰船尾迹光学遥感图像集；S2、对所述舰船尾迹光学遥感图像集进行预处理和标记，建立训练集和测试集；S3、对改进YOLOv7网络进行建模；S4、利用所述训练集训练所述改进YOLOv7网络直至收敛；S5、将待分析的舰船尾迹光学遥感图像输入至收敛后的改进YOLOv7网络，输出舰船尾迹的检测结果。
[0008]进一步地，步骤S1包括：在谷歌地图上寻找并获取一系列不同海域、不同季节、不同舰型的RGB舰船尾迹遥感图像，以完成舰船尾迹光学遥感图像集的采集。
[0009]进一步地，步骤S2包括：对舰船尾迹光学遥感图像进行导向滤波，随后标记导向滤波后的尾迹信息。
[0010]进一步地，所述导向滤波用于对所述舰船尾迹光学遥感图像进行保边平滑去噪处理，以滤除水面杂波，其表达式为：其中，其中，Tk为导向滤波处理后的图像，I
k
为所述舰船尾迹光学遥感图像，为所述舰船尾迹光学遥感图像经过均值滤波后得到的低频分量，∈为正则化变量，Var(
·
)表示求方差。
[0011]进一步地，所述尾迹信息包括尾迹的有向包围盒，所述有向包围盒表示为：(x
C
，y
C
，H，W，α)其中，x
C
和y
C
是有向包围盒中心点的横纵坐标，H和W是有向包围盒的长和宽；α是有向包围盒的长边相对于x轴正方向的角度，以逆时针旋转方向为正，取值范围为[0,π)。
[0012]进一步地，步骤S3中所述改进YOLOv7网络包括：Backbone模块，Head模块，以及连接于Backbone模块的输出与Head模块的输入之间的频域注意力模块；所述Backbone模块用于提取舰船尾迹光学遥感图像的多尺度特征，所述频域注意力模块用于选择性提取舰船尾迹光学遥感图像的频域特征，从而获得多层次特征图；所述Head模块用于将不同层次的特征图进行融合，并利用融合后的特征做出预测；其中，所述Head模块的损失函数采用PIoU Loss损失函数。
[0013]进一步地，步骤S4还包括：训练后测试所述改进YOLOv7网络的性能，通过绘制所述改进YOLOv7网络在测试集上的精确度
‑
召回率曲线来测试；其中，精确度和召回率分别表示为：为：TP为测试集中被判别为正样本的正样本数量，FP为测试集中被误判为正样本的负样本数量，FN为测试集中被漏识别的正样本数量。
[0014]进一步地，所述测试集中的样本被判别为正样本的条件为：其中，OBB
identified
为测试集样本经所述改进YOLOv7网络识别出的尾迹的有向包围
盒，OBB
actual
为测试集样本的所述有向包围盒的真实值，IoU为所述有向包围盒的检测结果与真实值的交并比，T为判别阈值；通过改变判别阈值T的大小，绘制所述精确度
‑
召回率曲线。
[0015]进一步地，在步骤S5中，输出舰船尾迹的检测结果包括尾迹的有向包围盒和置信度分数。
[0016]本专利技术另还提出一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时能实现前述舰船光学图像尾迹检测方法的步骤。
[0017]本专利技术所提供的技术方案，与现有技术相比，至少具备以下优点：
[0018]1)泛化性能强：相较Radon变换等经典尾迹检测方法，本专利技术提供的检测方法对光学图像中低信噪比、交叠等复杂的尾迹信息具备更优的检测能力；
[0019]2)自动化程度高：得益于网络的端到端结构，网络训练过程中的各种细节不依赖于人工干预，大大节省了算法调优所需的人力和时间成本；
[0020]3)可扩展性强：所述改进YOLOv7网络内部包含多个层级结构。在未来的研究中，易以该网络为基础，通过增加或调整网络模块来继续提升检测性能，或解决更复杂、更特化的检测任务。
附图说明
[0021]图1是本专利技术实施例提出的基于改进YOLOv7的舰船光学图像尾迹检测方法的流程图；
[0022]图2是构成舰船尾迹光学遥感图像集的原始RGB舰船尾迹遥感图像示例；
[0023]图3是进行导向滤波预处理后的舰船尾迹光学遥感图像示例；
[0024]图4是对尾迹的有向包围盒进行标记的方法示例；
[0025]图5是本专利技术实施例改进YOLOv7网络的结构示意图；
[0026]图6是改进YOLOv7网络中高效远程注意力模块ELAN的网络结构示意图；
[0027]图7是改进YOLOv7网络中ELAN
...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLOv7的舰船光学图像尾迹检测方法，其特征在于，包括以下步骤：S1、获取舰船尾迹光学遥感图像集；S2、对所述舰船尾迹光学遥感图像集进行预处理和标记，建立训练集和测试集；S3、对改进YOLOv7网络进行建模；S4、利用所述训练集训练所述改进YOLOv7网络直至收敛；S5、将待分析的舰船尾迹光学遥感图像输入至收敛后的改进YOLOv7网络，输出舰船尾迹的检测结果。2.如权利要求1所述的舰船光学图像尾迹检测方法，其特征在于，步骤S1包括：在谷歌地图上寻找并获取一系列不同海域、不同季节、不同舰型的RGB舰船尾迹遥感图像，以完成舰船尾迹光学遥感图像集的采集。3.如权利要求1所述的舰船光学图像尾迹检测方法，其特征在于，步骤S2包括：对舰船尾迹光学遥感图像进行导向滤波，随后标记导向滤波后的尾迹信息。4.如权利要求3所述的舰船光学图像尾迹检测方法，其特征在于，所述导向滤波用于对所述舰船尾迹光学遥感图像进行保边平滑去噪处理，以滤除水面杂波，其表达式为：其中，其中，T
k
为导向滤波处理后的图像，I
k
为所述舰船尾迹光学遥感图像，为所述舰船尾迹光学遥感图像经过均值滤波后得到的低频分量，∈为正则化变量，Var(
·
)表示求方差。5.如权利要求3所述的舰船光学图像尾迹检测方法，其特征在于，所述尾迹信息包括尾迹的有向包围盒，所述有向包围盒表示为：(x
C
，y
C
，H，W，α)其中，x
C
和y
C
是有向包围盒中心点的横纵坐标，H和W是有向包围盒的长和宽；α是有向包围盒的长边相对于x轴正方向的角度，以逆时针旋转方向为正，取值范围为[0,π)。6.如权利要求1所述的舰船光学图像尾迹检测方法，其特征在于，步骤S3中...
【专利技术属性】
技术研发人员：曲钧天，曹翔宇，王学谦，梁斌，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。