【技术实现步骤摘要】
本专利技术涉及一种红外弱小飞机检测方法及系统，尤其涉及一种rt-detr红外弱小飞机检测方法及系统。
技术介绍
1、红外弱小飞机检测针对红外数据，捕捉目标在红外光谱下的独特特征，与可见光图像相比，红外图像能够穿透雾霾与光照较差的环境，不受昼夜变化的影响，因此它也被广泛应用于军事安防、火灾检测、医学治疗等领域。
2、2023年，rt-detr(real-time detection transformer)横空出世，一种基于detr架构的实时端到端检测器在速度和精度上取得了sota性能。相比于yolo系列检测器，detr系列检测器的速度要慢得多，“无需nms”并未在速度上体现出优势，由此rt-detr出现。它通过设计了一个高效的混合编码器，由解耦尺度内交互和跨尺度融合来高效处理多尺度特征，并提出了iou感知的查询选择机制。rt-detr支持通过使用不同的解码器层来灵活调整推理速度，而不需要重新训练，有助于实时目标检测的实际应用。
3、2023年7月6日《detrs beat yolos on real-time object detection》rt-detr被提出，在速度和精度方面都优于相同规模的所有yolo检测器。2023年9月13日《dwrseg:rethinking efficient acquisition of multi-scale contextual information forreal-time semantic segmentation》为了降低绘制多尺度上下文信息的难度，提出一种高
4、现有技术中，rt-detr改进较少，针对红外弱小目标的检测更少，rt-detr技术的轻量化有待提高，检测速度较慢，检测精度较低。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种提高目标检测准确率和检测速度的rt-detr红外弱小飞机检测方法及系统。
2、技术方案：本专利技术所述的一种rt-detr红外弱小飞机检测方法，包括以下步骤：
3、s1：选择红外弱小飞机数据集，将其划分为训练集、测试集和验证集；
4、s2：基于rt-detr网络，将backbone主干网，更改为vanillanet极简神经网络。
5、s3：将rt-detr网络颈部中的repc3结构替换为dwrc3结构；
6、s4：在rt-detr网络的颈部最后引入三个partial卷积层作为28层、29层、30层，并且分别作为12、15、18层dwrc3的输出，完成初始检测模型的构建；
7、s5：利用训练集和验证集对构建出的初始检测模型进行训练，得到训练后的检测模型；
8、s7：利用训练后的检测模型对待检测的目标进行检测。
9、进一步地，步骤s1所述测试集用于在构建模型前测试模型运行环境。
10、进一步地，步骤s3所述的dwrc3结构具体构建方法为，在dwr结构的基础上，将dwr结构的sr部分换成一个3×3卷积层、两个用于降低和恢复通道数的1×1卷积层以及一个包含多个dwr模块的序列，引入深度扩张的残差结构，构建具有降维和升维功能的神经网络模块。
11、进一步地，所述dwrc3包括下采样单元、通道调整单元、深度扩张残差单元和通道调整与融合单元；
12、所述下采样单元，为一个步幅为2的3×3卷积层，用于在网络中进行下采样；
13、所述通道调整单元，由两个1×1的卷积层组成，用于调整输入通道数；
14、所述深度扩张残差单元，由多个序列组成，用于重复多次深度卷积操作，通过不同的深度可分离卷积分支处理输入，并将输出相加；
15、所述通道调整与融合单元，由一个1×1卷积层组成，用于将输出通道数调整。
16、进一步地，步骤s4所述的partial卷积层为pconv层，包括维度计算单元、部分卷积层创建单元和全局卷积层创建单元；
17、所述维度计算单元，通过使用输入的特征维度和分割参数，计算得到部分卷积层的一部分的维度和未处理部分的维度；
18、所述部分卷积层创建单元，用于创建一个3×3的无偏差卷积层，所述无偏差卷积层输入通道数和输出通道数均为dim_conv3；
19、所述全局卷积层创建单元中，通过创建一个1×1的卷积层conv，用于将输入特征映射到输入通道数。
20、基于相同的专利技术构思，本专利技术还提供了一种rt-detr红外弱小飞机检测系统，其特征在于，包括：
21、预处理模块，用于选择红外弱小飞机数据集，将其划分为训练集、测试集和验证集；
22、模型创建模块，用于基于rt-detr网络，将backbone主干网，更改为vanillanet极简神经网络；将rt-detr网络颈部中的repc3结构替换为dwrc3结构；在rt-detr网络的颈部最后引入三个partial卷积层作为28层、29层、30层，并且分别作为12、15、18层dwrc3的输出，完成初始检测模型的构建；
23、模型训练模块，用于利用训练集和验证集对构建出的初始检测模型进行训练，得到训练后的检测模型；
24、检测模块，用于利用训练后的检测模型对待检测目标进行检测。
25、进一步地，所述预处理模块中，测试集用于在构建模型前测试模型运行环境。
26、进一步地，所述模型创建模块中，dwrc3结构具体构建方法为，在dwr结构的基础上，将dwr结构的sr部分换成一个3×3卷积层、两个用于降低和恢复通道数的1×1卷积层以及一个包含多个dwr模块的序列，引入深度扩张的残差结构，构建具有降维和升维功能的神经网络模块。
27、进一步地，所述dwrc3包括下采样单元、通道调整单元、深度扩张残差单元和通道调整与融合单元；
28、所述下采样单元，为一个步幅为2的3×3卷积层，用于在网络中进行下采样；
29、所述通道调整单元，由两个1×1的卷积层组成，用于调整输入通道数；
30、所述深度扩张残差单元，由多个序列组成，用于重复n次深度卷积操作，通过不同的深度可分离卷积分支处理输入，并将输出相加；
31、所述通道调整与融合单元，由一个1×1卷积层组成，用于将输出通道数调整。
32、进一步地，所述模型创建模块中，在rt-detr网络的颈部最后引入三个parti本文档来自技高网...
【技术保护点】
1.一种RT-DETR红外弱小飞机检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的RT-DETR红外弱小飞机检测方法，其特征在于，步骤S1所述测试集用于在构建模型前测试模型运行环境。
3.根据权利要求1所述的RT-DETR红外弱小飞机检测方法，其特征在于，步骤S3所述的DWRC3结构具体构建方法为，在DWR结构的基础上，将DWR结构的SR部分换成一个3×3卷积层、两个用于降低和恢复通道数的1×1卷积层以及一个包含多个DWR模块的序列，引入深度扩张的残差结构，构建具有降维和升维功能的神经网络模块。
4.根据权利要求3所述的RT-DETR红外弱小飞机检测方法，其特征在于，所述DWRC3包括下采样单元、通道调整单元、深度扩张残差单元和通道调整与融合单元；
5.根据权利要求1所述的RT-DETR红外弱小飞机检测方法，其特征在于，步骤S4所述的partial卷积层为PConv层，包括维度计算单元、部分卷积层创建单元和全局卷积层创建单元；
6.一种RT-DETR红外弱小飞机检测系统，其特征在于，包括：
7.
8.根据权利要求6所述的RT-DETR红外弱小飞机检测系统，其特征在于，所述模型创建模块中，DWRC3结构具体构建方法为，在DWR结构的基础上，将DWR结构的SR部分换成一个3×3卷积层、两个用于降低和恢复通道数的1×1卷积层以及一个包含多个DWR模块的序列，引入深度扩张的残差结构，构建具有降维和升维功能的神经网络模块。
9.根据权利要求8所述的RT-DETR红外弱小飞机检测系统，其特征在于，所述DWRC3包括下采样单元、通道调整单元、深度扩张残差单元和通道调整与融合单元；
10.根据权利要求6所述的RT-DETR红外弱小飞机检测系统，其特征在于，所述模型创建模块中，在RT-DETR网络的颈部最后引入三个partial卷积层，其中，所述partial卷积层为PConv层，包括维度计算单元、部分卷积层创建单元和全局卷积层创建单元；
...【技术特征摘要】
1.一种rt-detr红外弱小飞机检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的rt-detr红外弱小飞机检测方法，其特征在于，步骤s1所述测试集用于在构建模型前测试模型运行环境。
3.根据权利要求1所述的rt-detr红外弱小飞机检测方法，其特征在于，步骤s3所述的dwrc3结构具体构建方法为，在dwr结构的基础上，将dwr结构的sr部分换成一个3×3卷积层、两个用于降低和恢复通道数的1×1卷积层以及一个包含多个dwr模块的序列，引入深度扩张的残差结构，构建具有降维和升维功能的神经网络模块。
4.根据权利要求3所述的rt-detr红外弱小飞机检测方法，其特征在于，所述dwrc3包括下采样单元、通道调整单元、深度扩张残差单元和通道调整与融合单元；
5.根据权利要求1所述的rt-detr红外弱小飞机检测方法，其特征在于，步骤s4所述的partial卷积层为pconv层，包括维度计算单元、部分卷积层创建单元和全局卷积层创建单元；
6.一种rt-detr红外弱小飞机...
【专利技术属性】
技术研发人员：洪远，姜明新，杜强，黄俊闻，项靖，王杰，
申请(专利权)人：淮阴工学院，
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。